Rapporto Tecnico Baichuan-Omni-1.5

Baichuan-Omni-1.5 Technical Report

January 26, 2025

Autori: 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

Abstract

Introduciamo Baichuan-Omni-1.5, un modello omni-modale che non solo possiede capacità di comprensione omni-modale, ma fornisce anche capacità di generazione audio end-to-end. Per ottenere un'interazione fluida e di alta qualità attraverso le varie modalità senza compromettere le capacità di nessuna modalità, abbiamo dato priorità all'ottimizzazione di tre aspetti chiave. In primo luogo, abbiamo istituito un completo processo di pulizia e sintesi dati per i dati multimodali, ottenendo circa 500 miliardi di dati di alta qualità (testo, audio e visione). In secondo luogo, è stato progettato un audio-tokenizer (Baichuan-Audio-Tokenizer) per catturare informazioni semantiche e acustiche dall'audio, consentendo un'integrazione senza soluzione di continuità e una maggiore compatibilità con MLLM. Infine, abbiamo progettato una strategia di addestramento a più fasi che integra progressivamente l'allineamento multimodale e il fine-tuning multitask, garantendo una sinergia efficace tra tutte le modalità. Baichuan-Omni-1.5 supera i modelli contemporanei (inclusi GPT4o-mini e MiniCPM-o 2.6) in termini di capacità omni-modali complete. In particolare, ottiene risultati paragonabili ai modelli leader come Qwen2-VL-72B su vari benchmark medici multimodali.

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.