LLaVaOLMoBitnet1B : L'apprentissage profond à vecteurs de longueur variable passe au multimodal !

LLaVaOLMoBitnet1B: Ternary LLM goes Multimodal!

August 23, 2024

Auteurs: Jainaveen Sundaram, Ravishankar Iyer

cs.AI

Résumé

Les grands modèles de langage multimodaux (MM-LLMs) ont connu des avancées significatives au cours de l'année écoulée, démontrant des performances impressionnantes sur diverses tâches. Cependant, pour démocratiser véritablement l'IA, les modèles doivent présenter de solides capacités et être capables de fonctionner efficacement sur de petites empreintes de calcul accessibles par la plupart des utilisateurs. Dans le cadre de cette quête, nous présentons LLaVaOLMoBitnet1B - le premier LLM multimodal ternaire capable de traiter des entrées Image(s)+Texte pour produire des réponses textuelles cohérentes. Le modèle est entièrement open source, accompagné de scripts d'entraînement pour encourager de nouvelles recherches dans ce domaine. Ce rapport technique associé met en lumière le processus d'entraînement, les détails de l'évaluation, les défis associés aux modèles ternaires et les opportunités futures. Lien vers le modèle : https://huggingface.co/IntelLabs/LlavaOLMoBitnet1B

English

Multimodal Large Language Models (MM-LLMs) have seen significant advancements in the last year, demonstrating impressive performance across tasks. However, to truly democratize AI, models must exhibit strong capabilities and be able to run efficiently on small compute footprints accessible by most. Part of this quest, we introduce LLaVaOLMoBitnet1B - the first Ternary Multimodal LLM capable of accepting Image(s)+Text inputs to produce coherent textual responses. The model is fully open-sourced along with training scripts to encourage further research in this space. This accompanying technical report highlights the training process, evaluation details, challenges associated with ternary models and future opportunities. Link to the model: https://huggingface.co/IntelLabs/LlavaOLMoBitnet1B