PaLI-X: Sull'ingrandimento di un modello multilingue per la visione e il linguaggio
PaLI-X: On Scaling up a Multilingual Vision and Language Model
May 29, 2023
Autori: Xi Chen, Josip Djolonga, Piotr Padlewski, Basil Mustafa, Soravit Changpinyo, Jialin Wu, Carlos Riquelme Ruiz, Sebastian Goodman, Xiao Wang, Yi Tay, Siamak Shakeri, Mostafa Dehghani, Daniel Salz, Mario Lucic, Michael Tschannen, Arsha Nagrani, Hexiang Hu, Mandar Joshi, Bo Pang, Ceslee Montgomery, Paulina Pietrzyk, Marvin Ritter, AJ Piergiovanni, Matthias Minderer, Filip Pavetic, Austin Waters, Gang Li, Ibrahim Alabdulmohsin, Lucas Beyer, Julien Amelot, Kenton Lee, Andreas Peter Steiner, Yang Li, Daniel Keysers, Anurag Arnab, Yuanzhong Xu, Keran Rong, Alexander Kolesnikov, Mojtaba Seyedhosseini, Anelia Angelova, Xiaohua Zhai, Neil Houlsby, Radu Soricut
cs.AI
Abstract
Presentiamo la ricetta di addestramento e i risultati del potenziamento di PaLI-X, un modello multilingue per la visione e il linguaggio, sia in termini di dimensioni dei componenti che di ampiezza della miscela di compiti di addestramento. Il nostro modello raggiunge nuovi livelli di prestazione su un'ampia gamma di compiti vari e complessi, tra cui attività di descrizione e risposta a domande basate su immagini, comprensione di documenti basati su immagini e apprendimento few-shot (in-context), nonché rilevamento di oggetti, risposta a domande su video e descrizione di video. PaLI-X avanza lo stato dell'arte nella maggior parte dei benchmark considerati per la visione e il linguaggio (oltre 25). Infine, osserviamo capacità emergenti, come il conteggio complesso e il rilevamento multilingue di oggetti, compiti che non sono esplicitamente presenti nella miscela di addestramento.
English
We present the training recipe and results of scaling up PaLI-X, a
multilingual vision and language model, both in terms of size of the components
and the breadth of its training task mixture. Our model achieves new levels of
performance on a wide-range of varied and complex tasks, including multiple
image-based captioning and question-answering tasks, image-based document
understanding and few-shot (in-context) learning, as well as object detection,
video question answering, and video captioning. PaLI-X advances the
state-of-the-art on most vision-and-language benchmarks considered (25+ of
them). Finally, we observe emerging capabilities, such as complex counting and
multilingual object detection, tasks that are not explicitly in the training
mix.