OmniBench: Verso il Futuro dei Modelli Universali Multilingua Omni-Lingua

OmniBench: Towards The Future of Universal Omni-Language Models

September 23, 2024

Autori: 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

Abstract

Gli sviluppi recenti nei modelli di linguaggio multimodali di grandi dimensioni (MLLM) hanno mirato a integrare e interpretare i dati attraverso diverse modalità. Tuttavia, la capacità di questi modelli di elaborare e ragionare contemporaneamente su più modalità rimane insufficientemente esplorata, in parte a causa della mancanza di benchmark completi per modalità. Presentiamo OmniBench, un nuovo benchmark progettato per valutare rigorosamente la capacità dei modelli di riconoscere, interpretare e ragionare contemporaneamente su input visivi, acustici e testuali. Definiamo i modelli capaci di tale elaborazione trimodale come modelli omnilinguaggio (OLM). OmniBench si distingue per le annotazioni umane di alta qualità, garantendo che risposte accurate richiedano una comprensione integrata e un ragionamento attraverso tutte e tre le modalità. Le nostre principali scoperte rivelano che: i) i modelli OLM open-source mostrano limitazioni critiche nelle capacità di seguire istruzioni e ragionare all'interno di contesti trimodali; e ii) i modelli di base hanno prestazioni scadenti (sotto il 50% di accuratezza) anche quando vengono fornite rappresentazioni testuali alternative di immagini e audio. Questi risultati suggeriscono che la capacità di costruire un contesto coerente da testo, immagine e audio viene spesso trascurata nei paradigmi di addestramento MLLM esistenti. Sosteniamo la necessità che future ricerche si concentrino sullo sviluppo di tecniche di integrazione trimodale più robuste e strategie di addestramento per migliorare le prestazioni degli OLM attraverso diverse modalità. I codici e la classifica in tempo reale sono disponibili su 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.