Transfusion : Prédire le Prochain Token et Diffuser les Images avec un Modèle Multi-Modal

Transfusion: Predict the Next Token and Diffuse Images with One Multi-Modal Model

August 20, 2024

Auteurs: Chunting Zhou, Lili Yu, Arun Babu, Kushal Tirumala, Michihiro Yasunaga, Leonid Shamis, Jacob Kahn, Xuezhe Ma, Luke Zettlemoyer, Omer Levy

cs.AI

Résumé

Nous présentons Transfusion, une recette pour entraîner un modèle multi-modal sur des données discrètes et continues. Transfusion combine la perte de modélisation du langage (prédiction du prochain jeton) avec la diffusion pour entraîner un seul transformateur sur des séquences de modalités mixtes. Nous pré-entraînons plusieurs modèles Transfusion jusqu'à 7 milliards de paramètres à partir de zéro sur un mélange de données textuelles et d'images, établissant des lois d'échelle par rapport à une variété de références uni- et cross-modales. Nos expériences montrent que Transfusion évolue de manière significativement meilleure que la quantification des images et l'entraînement d'un modèle de langage sur des jetons d'image discrets. En introduisant des couches d'encodage et de décodage spécifiques à la modalité, nous pouvons améliorer encore les performances des modèles Transfusion, et même compresser chaque image en seulement 16 patchs. Nous démontrons en outre que l'évolution de notre recette Transfusion à 7 milliards de paramètres et 2 billions de jetons multi-modaux produit un modèle capable de générer des images et du texte au niveau des modèles de diffusion de taille similaire et des modèles de langage, récoltant les avantages des deux mondes.

English

We introduce Transfusion, a recipe for training a multi-modal model over discrete and continuous data. Transfusion combines the language modeling loss function (next token prediction) with diffusion to train a single transformer over mixed-modality sequences. We pretrain multiple Transfusion models up to 7B parameters from scratch on a mixture of text and image data, establishing scaling laws with respect to a variety of uni- and cross-modal benchmarks. Our experiments show that Transfusion scales significantly better than quantizing images and training a language model over discrete image tokens. By introducing modality-specific encoding and decoding layers, we can further improve the performance of Transfusion models, and even compress each image to just 16 patches. We further demonstrate that scaling our Transfusion recipe to 7B parameters and 2T multi-modal tokens produces a model that can generate images and text on a par with similar scale diffusion models and language models, reaping the benefits of both worlds.