VARGPT-v1.1: Mejora del Modelo Unificado Grande Autoregresivo Visual mediante Ajuste Iterativo de Instrucciones y Aprendizaje por Refuerzo

VARGPT-v1.1: Improve Visual Autoregressive Large Unified Model via Iterative Instruction Tuning and Reinforcement Learning

April 3, 2025

Autores: Xianwei Zhuang, Yuxin Xie, Yufan Deng, Dongchao Yang, Liming Liang, Jinghan Ru, Yuguo Yin, Yuexian Zou

cs.AI

Resumen

En este trabajo, presentamos VARGPT-v1.1, un modelo visual autorregresivo unificado avanzado que se basa en nuestro marco anterior, VARGPT. El modelo conserva el paradigma dual de predicción del siguiente token para la comprensión visual y generación de la siguiente escala para la síntesis de imágenes. Específicamente, VARGPT-v1.1 integra: (1) una nueva estrategia de entrenamiento que combina el ajuste iterativo de instrucciones visuales con el aprendizaje por refuerzo mediante Optimización Directa de Preferencias (DPO), (2) un corpus de entrenamiento ampliado que contiene 8.3 millones de pares de instrucciones visual-generativas, (3) un modelo de lenguaje mejorado utilizando Qwen2, (4) una resolución mejorada en la generación de imágenes, y (5) capacidades emergentes de edición de imágenes sin modificaciones arquitectónicas. Estos avances permiten que VARGPT-v1.1 alcance un rendimiento de vanguardia en tareas de comprensión multimodal y seguimiento de instrucciones de texto a imagen, demostrando mejoras significativas tanto en métricas de comprensión como de generación. Cabe destacar que, a través del ajuste de instrucciones visuales, el modelo adquiere funcionalidad de edición de imágenes mientras mantiene la consistencia arquitectónica con su predecesor, revelando el potencial para la comprensión, generación y edición visual unificadas. Nuestros hallazgos sugieren que los modelos visuales autorregresivos unificados bien diseñados pueden adoptar efectivamente estrategias de entrenamiento flexibles de los modelos de lenguaje grandes (LLMs), mostrando una escalabilidad prometedora. El código y los pesos del modelo están disponibles públicamente en https://github.com/VARGPT-family/VARGPT-v1.1.

English

In this work, we present VARGPT-v1.1, an advanced unified visual autoregressive model that builds upon our previous framework VARGPT. The model preserves the dual paradigm of next-token prediction for visual understanding and next-scale generation for image synthesis. Specifically, VARGPT-v1.1 integrates: (1) a novel training strategy combining iterative visual instruction tuning with reinforcement learning through Direct Preference Optimization (DPO), (2) an expanded training corpus containing 8.3M visual-generative instruction pairs, (3) an upgraded language model backbone using Qwen2, (4) enhanced image generation resolution, and (5) emergent image editing capabilities without architectural modifications. These advancements enable VARGPT-v1.1 to achieve state-of-the-art performance in multimodal understanding and text-to-image instruction-following tasks, demonstrating significant improvements in both comprehension and generation metrics. Notably, through visual instruction tuning, the model acquires image editing functionality while maintaining architectural consistency with its predecessor, revealing the potential for unified visual understanding, generation, and editing. Our findings suggest that well-designed unified visual autoregressive models can effectively adopt flexible training strategies from large language models (LLMs), exhibiting promising scalability. The codebase and model weights are publicly available at https://github.com/VARGPT-family/VARGPT-v1.1.