Rapporto Tecnico Baichuan-Omni
Baichuan-Omni Technical Report
October 11, 2024
Autori: Yadong Li, Haoze Sun, Mingan Lin, Tianpeng Li, Guosheng Dong, Tao Zhang, Bowen Ding, Wei Song, Zhenglin Cheng, Yuqi Huo, Song Chen, Xu Li, Da Pan, Shusen Zhang, Xin Wu, Zheng Liang, Jun Liu, Tao Zhang, Keer Lu, Yaqi Zhao, Yanjun Shen, Fan Yang, Kaicheng Yu, Tao Lin, Jianhua Xu, Zenan Zhou, Weipeng Chen
cs.AI
Abstract
Le salienti capacità multimodali e l'esperienza interattiva di GPT-4o evidenziano il suo ruolo critico nelle applicazioni pratiche, tuttavia manca di un controparte open-source ad alte prestazioni. In questo articolo, presentiamo Baichuan-Omni, il primo Modello di Linguaggio Multimodale Large (MLLM) open-source da 7B abile nel processare e analizzare contemporaneamente le modalità di immagini, video, audio e testo, offrendo un'esperienza interattiva multimodale avanzata e prestazioni elevate. Proponiamo uno schema di addestramento multimodale efficace che inizia con il modello da 7B e procede attraverso due fasi di allineamento multimodale e raffinamento multitask attraverso le modalità audio, immagine, video e testo. Questo approccio dota il modello linguistico della capacità di gestire efficacemente i dati visivi e audio. Dimostrando prestazioni elevate su vari benchmark omni-modal e multimodali, miriamo a far sì che questo contributo funga da base competitiva per la comunità open-source nell'avanzare la comprensione multimodale e l'interazione in tempo reale.
English
The salient multimodal capabilities and interactive experience of GPT-4o
highlight its critical role in practical applications, yet it lacks a
high-performing open-source counterpart. In this paper, we introduce
Baichuan-Omni, the first open-source 7B Multimodal Large Language Model (MLLM)
adept at concurrently processing and analyzing modalities of image, video,
audio, and text, while delivering an advanced multimodal interactive experience
and strong performance. We propose an effective multimodal training schema
starting with 7B model and proceeding through two stages of multimodal
alignment and multitask fine-tuning across audio, image, video, and text modal.
This approach equips the language model with the ability to handle visual and
audio data effectively. Demonstrating strong performance across various
omni-modal and multimodal benchmarks, we aim for this contribution to serve as
a competitive baseline for the open-source community in advancing multimodal
understanding and real-time interaction.