NVILA : Modèles de langage visuel de frontière efficace
NVILA: Efficient Frontier Visual Language Models
December 5, 2024
Auteurs: Zhijian Liu, Ligeng Zhu, Baifeng Shi, Zhuoyang Zhang, Yuming Lou, Shang Yang, Haocheng Xi, Shiyi Cao, Yuxian Gu, Dacheng Li, Xiuyu Li, Yunhao Fang, Yukang Chen, Cheng-Yu Hsieh, De-An Huang, An-Chieh Cheng, Vishwesh Nath, Jinyi Hu, Sifei Liu, Ranjay Krishna, Daguang Xu, Xiaolong Wang, Pavlo Molchanov, Jan Kautz, Hongxu Yin, Song Han, Yao Lu
cs.AI
Résumé
Les modèles de langage visuel (VLM), ont réalisé des progrès significatifs en termes de précision ces dernières années. Cependant, leur efficacité a reçu beaucoup moins d'attention. Ce document présente NVILA, une famille de VLM ouverts conçus pour optimiser à la fois l'efficacité et la précision. En s'appuyant sur VILA, nous améliorons son architecture de modèle en augmentant d'abord les résolutions spatiales et temporelles, puis en compressant les jetons visuels. Cette approche "échelle-puis-compression" permet à NVILA de traiter efficacement des images haute résolution et de longues vidéos. Nous menons également une investigation systématique pour améliorer l'efficacité de NVILA tout au long de son cycle de vie, de l'entraînement et du peaufinage au déploiement. NVILA égale ou dépasse la précision de nombreux VLM ouverts et propriétaires de premier plan sur un large éventail de référentiels d'images et de vidéos. Dans le même temps, il réduit les coûts d'entraînement de 4,5 fois, l'utilisation de la mémoire pour le peaufinage de 3,4 fois, la latence de pré-remplissage de 1,6 à 2,2 fois, et la latence de décodage de 1,2 à 2,8 fois. Nous rendrons bientôt notre code et nos modèles disponibles pour faciliter la reproductibilité.
English
Visual language models (VLMs) have made significant advances in accuracy in
recent years. However, their efficiency has received much less attention. This
paper introduces NVILA, a family of open VLMs designed to optimize both
efficiency and accuracy. Building on top of VILA, we improve its model
architecture by first scaling up the spatial and temporal resolutions, and then
compressing visual tokens. This "scale-then-compress" approach enables NVILA to
efficiently process high-resolution images and long videos. We also conduct a
systematic investigation to enhance the efficiency of NVILA throughout its
entire lifecycle, from training and fine-tuning to deployment. NVILA matches or
surpasses the accuracy of many leading open and proprietary VLMs across a wide
range of image and video benchmarks. At the same time, it reduces training
costs by 4.5X, fine-tuning memory usage by 3.4X, pre-filling latency by
1.6-2.2X, and decoding latency by 1.2-2.8X. We will soon make our code and
models available to facilitate reproducibility.