SPHINX-X: Scalabilità di Dati e Parametri per una Famiglia di Modelli Linguistici Multimodali di Grandi Dimensioni
SPHINX-X: Scaling Data and Parameters for a Family of Multi-modal Large Language Models
February 8, 2024
Autori: Peng Gao, Renrui Zhang, Chris Liu, Longtian Qiu, Siyuan Huang, Weifeng Lin, Shitian Zhao, Shijie Geng, Ziyi Lin, Peng Jin, Kaipeng Zhang, Wenqi Shao, Chao Xu, Conghui He, Junjun He, Hao Shao, Pan Lu, Hongsheng Li, Yu Qiao
cs.AI
Abstract
Proponiamo SPHINX-X, un'estesa serie di Modelli Linguistici Multimodali di Grande Scala (MLLM) sviluppata su SPHINX. Per migliorare l'efficienza dell'architettura e dell'addestramento, modifichiamo il framework SPHINX rimuovendo gli encoder visivi ridondanti, bypassando le sotto-immagini completamente riempite con token di salto e semplificando l'addestramento multi-stadio in un paradigma all-in-one a singolo stadio. Per sfruttare appieno il potenziale degli MLLM, assembliamo un dataset multimodale e multi-dominio completo che copre risorse pubbliche disponibili in compiti linguistici, visivi e visivo-linguistici. Arricchiamo ulteriormente questa raccolta con i nostri dataset curati OCR-intensive e Set-of-Mark, estendendo la diversità e la generalità. Addestrando su diversi modelli linguistici di base, tra cui TinyLlama1.1B, InternLM2-7B, LLaMA2-13B e Mixtral8x7B, otteniamo uno spettro di MLLM che variano in dimensioni dei parametri e capacità multilingue. Un benchmarking completo rivela una forte correlazione tra le prestazioni multimodali e le scale di dati e parametri. Codice e modelli sono rilasciati su https://github.com/Alpha-VLLM/LLaMA2-Accessory.
English
We propose SPHINX-X, an extensive Multimodality Large Language Model (MLLM)
series developed upon SPHINX. To improve the architecture and training
efficiency, we modify the SPHINX framework by removing redundant visual
encoders, bypassing fully-padded sub-images with skip tokens, and simplifying
multi-stage training into a one-stage all-in-one paradigm. To fully unleash the
potential of MLLMs, we assemble a comprehensive multi-domain and multimodal
dataset covering publicly available resources in language, vision, and
vision-language tasks. We further enrich this collection with our curated OCR
intensive and Set-of-Mark datasets, extending the diversity and generality. By
training over different base LLMs including TinyLlama1.1B, InternLM2-7B,
LLaMA2-13B, and Mixtral8x7B, we obtain a spectrum of MLLMs that vary in
parameter size and multilingual capabilities. Comprehensive benchmarking
reveals a strong correlation between the multi-modal performance with the data
and parameter scales. Code and models are released at
https://github.com/Alpha-VLLM/LLaMA2-Accessory