PaLI-X: Sobre la ampliación de un modelo multilingüe de visión y lenguaje
PaLI-X: On Scaling up a Multilingual Vision and Language Model
May 29, 2023
Autores: Xi Chen, Josip Djolonga, Piotr Padlewski, Basil Mustafa, Soravit Changpinyo, Jialin Wu, Carlos Riquelme Ruiz, Sebastian Goodman, Xiao Wang, Yi Tay, Siamak Shakeri, Mostafa Dehghani, Daniel Salz, Mario Lucic, Michael Tschannen, Arsha Nagrani, Hexiang Hu, Mandar Joshi, Bo Pang, Ceslee Montgomery, Paulina Pietrzyk, Marvin Ritter, AJ Piergiovanni, Matthias Minderer, Filip Pavetic, Austin Waters, Gang Li, Ibrahim Alabdulmohsin, Lucas Beyer, Julien Amelot, Kenton Lee, Andreas Peter Steiner, Yang Li, Daniel Keysers, Anurag Arnab, Yuanzhong Xu, Keran Rong, Alexander Kolesnikov, Mojtaba Seyedhosseini, Anelia Angelova, Xiaohua Zhai, Neil Houlsby, Radu Soricut
cs.AI
Resumen
Presentamos la receta de entrenamiento y los resultados de escalar PaLI-X, un modelo multilingüe de visión y lenguaje, tanto en términos del tamaño de sus componentes como de la amplitud de su mezcla de tareas de entrenamiento. Nuestro modelo alcanza nuevos niveles de rendimiento en una amplia gama de tareas variadas y complejas, que incluyen múltiples tareas de generación de descripciones y respuesta a preguntas basadas en imágenes, comprensión de documentos basados en imágenes y aprendizaje de pocos ejemplos (en contexto), así como detección de objetos, respuesta a preguntas en videos y generación de descripciones de videos. PaLI-X avanza el estado del arte en la mayoría de los benchmarks de visión y lenguaje considerados (más de 25). Finalmente, observamos capacidades emergentes, como conteo complejo y detección de objetos multilingüe, tareas que no están explícitamente en la mezcla de entrenamiento.
English
We present the training recipe and results of scaling up PaLI-X, a
multilingual vision and language model, both in terms of size of the components
and the breadth of its training task mixture. Our model achieves new levels of
performance on a wide-range of varied and complex tasks, including multiple
image-based captioning and question-answering tasks, image-based document
understanding and few-shot (in-context) learning, as well as object detection,
video question answering, and video captioning. PaLI-X advances the
state-of-the-art on most vision-and-language benchmarks considered (25+ of
them). Finally, we observe emerging capabilities, such as complex counting and
multilingual object detection, tasks that are not explicitly in the training
mix.