Molmo e PixMo: Pesi Aperti e Dati Aperti per Modelli Multimodali All'Avanguardia

Molmo and PixMo: Open Weights and Open Data for State-of-the-Art Multimodal Models

September 25, 2024

Autori: Matt Deitke, Christopher Clark, Sangho Lee, Rohun Tripathi, Yue Yang, Jae Sung Park, Mohammadreza Salehi, Niklas Muennighoff, Kyle Lo, Luca Soldaini, Jiasen Lu, Taira Anderson, Erin Bransom, Kiana Ehsani, Huong Ngo, YenSung Chen, Ajay Patel, Mark Yatskar, Chris Callison-Burch, Andrew Head, Rose Hendrix, Favyen Bastani, Eli VanderBilt, Nathan Lambert, Yvonne Chou, Arnavi Chheda, Jenna Sparks, Sam Skjonsberg, Michael Schmitz, Aaron Sarnat, Byron Bischoff, Pete Walsh, Chris Newell, Piper Wolters, Tanmay Gupta, Kuo-Hao Zeng, Jon Borchardt, Dirk Groeneveld, Jen Dumas, Crystal Nam, Sophie Lebrecht, Caitlin Wittlif, Carissa Schoenick, Oscar Michel, Ranjay Krishna, Luca Weihs, Noah A. Smith, Hannaneh Hajishirzi, Ross Girshick, Ali Farhadi, Aniruddha Kembhavi

cs.AI

Abstract

I modelli multimodali più avanzati di oggi rimangono proprietari. I modelli open-weight più potenti si basano pesantemente su dati sintetici provenienti da VLM proprietari per ottenere buone prestazioni, effettivamente distillando questi modelli chiusi in modelli aperti. Di conseguenza, alla comunità manca ancora una conoscenza fondamentale su come costruire VLM performanti da zero. Presentiamo Molmo, una nuova famiglia di VLM che sono all'avanguardia nella loro classe di apertura. La nostra innovazione chiave è un nuovo dataset altamente dettagliato di didascalie per immagini raccolto interamente da annotatori umani utilizzando descrizioni basate su speech. Per consentire una vasta gamma di interazioni utente, introduciamo anche una variegata miscela di dataset per il fine-tuning che include Q&A in-the-wild e dati innovativi di puntamento 2D. Il successo del nostro approccio si basa su scelte oculate per i dettagli dell'architettura del modello, un ben tarato pipeline di addestramento e, soprattutto, sulla qualità dei nostri dataset appena raccolti, tutti i quali saranno resi disponibili. Il modello best-in-class da 72B all'interno della famiglia Molmo non solo supera gli altri nella classe di modelli open weight e dati, ma si confronta favorevolmente anche con sistemi proprietari come GPT-4o, Claude 3.5 e Gemini 1.5 su entrambi i benchmark accademici e le valutazioni umane. Rilasceremo tutti i pesi del nostro modello, i dati di didascalia e di fine-tuning, e il codice sorgente nel prossimo futuro. Alcuni pesi del modello selezionati, il codice di inferenza e la demo sono disponibili su https://molmo.allenai.org.

English

Today's most advanced multimodal models remain proprietary. The strongest open-weight models rely heavily on synthetic data from proprietary VLMs to achieve good performance, effectively distilling these closed models into open ones. As a result, the community is still missing foundational knowledge about how to build performant VLMs from scratch. We present Molmo, a new family of VLMs that are state-of-the-art in their class of openness. Our key innovation is a novel, highly detailed image caption dataset collected entirely from human annotators using speech-based descriptions. To enable a wide array of user interactions, we also introduce a diverse dataset mixture for fine-tuning that includes in-the-wild Q&A and innovative 2D pointing data. The success of our approach relies on careful choices for the model architecture details, a well-tuned training pipeline, and, most critically, the quality of our newly collected datasets, all of which will be released. The best-in-class 72B model within the Molmo family not only outperforms others in the class of open weight and data models but also compares favorably against proprietary systems like GPT-4o, Claude 3.5, and Gemini 1.5 on both academic benchmarks and human evaluation. We will be releasing all of our model weights, captioning and fine-tuning data, and source code in the near future. Select model weights, inference code, and demo are available at https://molmo.allenai.org.