OmniBench : Vers l'avenir des modèles universels omnilangues

OmniBench: Towards The Future of Universal Omni-Language Models

September 23, 2024

Auteurs: Yizhi Li, Ge Zhang, Yinghao Ma, Ruibin Yuan, Kang Zhu, Hangyu Guo, Yiming Liang, Jiaheng Liu, Jian Yang, Siwei Wu, Xingwei Qu, Jinjie Shi, Xinyue Zhang, Zhenzhu Yang, Xiangzhou Wang, Zhaoxiang Zhang, Zachary Liu, Emmanouil Benetos, Wenhao Huang, Chenghua Lin

cs.AI

Résumé

Les récents progrès dans les grands modèles de langage multimodal (MLLM) visent à intégrer et interpréter des données provenant de diverses modalités. Cependant, la capacité de ces modèles à traiter et raisonner simultanément sur plusieurs modalités reste insuffisamment explorée, en partie en raison du manque de bancs d'essai complets par modalité. Nous présentons OmniBench, un nouveau banc d'essai conçu pour évaluer rigoureusement la capacité des modèles à reconnaître, interpréter et raisonner à travers des entrées visuelles, acoustiques et textuelles simultanément. Nous définissons les modèles capables d'un tel traitement tri-modal comme des modèles de langage omni (OLM). OmniBench se distingue par des annotations humaines de haute qualité, garantissant que des réponses précises nécessitent une compréhension intégrée et un raisonnement à travers les trois modalités. Nos principales conclusions révèlent que : i) les OLM open-source présentent des limitations critiques dans le suivi des instructions et les capacités de raisonnement dans des contextes tri-modaux ; et ii) les modèles de base ont de faibles performances (moins de 50 % de précision) même lorsqu'ils sont fournis avec des représentations textuelles alternatives d'images et de sons. Ces résultats suggèrent que la capacité à construire un contexte cohérent à partir de texte, d'image et de son est souvent négligée dans les paradigmes d'entraînement MLLM existants. Nous plaidons en faveur de futures recherches axées sur le développement de techniques d'intégration tri-modale plus robustes et de stratégies d'entraînement pour améliorer les performances des OLM à travers diverses modalités. Les codes et le classement en direct peuvent être trouvés sur https://m-a-p.ai/OmniBench.

English

Recent advancements in multimodal large language models (MLLMs) have aimed to integrate and interpret data across diverse modalities. However, the capacity of these models to concurrently process and reason about multiple modalities remains inadequately explored, partly due to the lack of comprehensive modality-wise benchmarks. We introduce OmniBench, a novel benchmark designed to rigorously evaluate models' ability to recognize, interpret, and reason across visual, acoustic, and textual inputs simultaneously. We define models capable of such tri-modal processing as omni-language models (OLMs). OmniBench is distinguished by high-quality human annotations, ensuring that accurate responses require integrated understanding and reasoning across all three modalities. Our main findings reveal that: i) open-source OLMs exhibit critical limitations in instruction-following and reasoning capabilities within tri-modal contexts; and ii) the baseline models perform poorly (below 50% accuracy) even when provided with alternative textual representations of images and audio. These results suggest that the ability to construct a consistent context from text, image, and audio is often overlooked in existing MLLM training paradigms. We advocate for future research to focus on developing more robust tri-modal integration techniques and training strategies to enhance OLM performance across diverse modalities. The codes and live leaderboard could be found at https://m-a-p.ai/OmniBench.