Rapport technique Baichuan-Omni-1.5

Baichuan-Omni-1.5 Technical Report

January 26, 2025

Auteurs: Yadong Li, Jun Liu, Tao Zhang, Tao Zhang, Song Chen, Tianpeng Li, Zehuan Li, Lijun Liu, Lingfeng Ming, Guosheng Dong, Da Pan, Chong Li, Yuanbo Fang, Dongdong Kuang, Mingrui Wang, Chenglin Zhu, Youwei Zhang, Hongyu Guo, Fengyu Zhang, Yuran Wang, Bowen Ding, Wei Song, Xu Li, Yuqi Huo, Zheng Liang, Shusen Zhang, Xin Wu, Shuai Zhao, Linchu Xiong, Yozhen Wu, Jiahui Ye, Wenhao Lu, Bowen Li, Yan Zhang, Yaqi Zhou, Xin Chen, Lei Su, Hongda Zhang, Fuzhong Chen, Xuezhen Dong, Na Nie, Zhiying Wu, Bin Xiao, Ting Li, Shunya Dang, Ping Zhang, Yijia Sun, Jincheng Wu, Jinjie Yang, Xionghai Lin, Zhi Ma, Kegeng Wu, Jia li, Aiyuan Yang, Hui Liu, Jianqiang Zhang, Xiaoxi Chen, Guangwei Ai, Wentao Zhang, Yicong Chen, Xiaoqin Huang, Kun Li, Wenjing Luo, Yifei Duan, Lingling Zhu, Ran Xiao, Zhe Su, Jiani Pu, Dian Wang, Xu Jia, Tianyu Zhang, Mengyu Ai, Mang Wang, Yujing Qiao, Lei Zhang, Yanjun Shen, Fan Yang, Miao Zhen, Yijie Zhou, Mingyang Chen, Fei Li, Chenzheng Zhu, Keer Lu, Yaqi Zhao, Hao Liang, Youquan Li, Yanzhao Qin, Linzhuang Sun, Jianhua Xu, Haoze Sun, Mingan Lin, Zenan Zhou, Weipeng Chen

cs.AI

Résumé

Nous présentons Baichuan-Omni-1.5, un modèle omni-modal qui non seulement possède des capacités de compréhension omni-modales, mais fournit également des capacités de génération audio de bout en bout. Pour atteindre une interaction fluide et de haute qualité à travers les modalités sans compromettre les capacités de chaque modalité, nous avons priorisé l'optimisation de trois aspects clés. Tout d'abord, nous établissons un pipeline complet de nettoyage et de synthèse de données pour les données multimodales, obtenant environ 500 milliards de données de haute qualité (texte, audio et vision). Ensuite, un audio-tokenizer (Baichuan-Audio-Tokenizer) a été conçu pour capturer à la fois des informations sémantiques et acoustiques à partir de l'audio, permettant une intégration transparente et une compatibilité améliorée avec MLLM. Enfin, nous avons conçu une stratégie d'entraînement à plusieurs étapes qui intègre progressivement l'alignement multimodal et le fine-tuning multi-tâches, garantissant une synergie efficace à travers toutes les modalités. Baichuan-Omni-1.5 surpasse les modèles contemporains (y compris GPT4o-mini et MiniCPM-o 2.6) en termes de capacités omni-modales complètes. Notamment, il obtient des résultats comparables aux modèles de premier plan tels que Qwen2-VL-72B sur divers benchmarks médicaux multimodaux.

English

We introduce Baichuan-Omni-1.5, an omni-modal model that not only has omni-modal understanding capabilities but also provides end-to-end audio generation capabilities. To achieve fluent and high-quality interaction across modalities without compromising the capabilities of any modality, we prioritized optimizing three key aspects. First, we establish a comprehensive data cleaning and synthesis pipeline for multimodal data, obtaining about 500B high-quality data (text, audio, and vision). Second, an audio-tokenizer (Baichuan-Audio-Tokenizer) has been designed to capture both semantic and acoustic information from audio, enabling seamless integration and enhanced compatibility with MLLM. Lastly, we designed a multi-stage training strategy that progressively integrates multimodal alignment and multitask fine-tuning, ensuring effective synergy across all modalities. Baichuan-Omni-1.5 leads contemporary models (including GPT4o-mini and MiniCPM-o 2.6) in terms of comprehensive omni-modal capabilities. Notably, it achieves results comparable to leading models such as Qwen2-VL-72B across various multimodal medical benchmarks.