Transfusion: Prevedi il Token Successivo e Diffondi Immagini con un Unico Modello Multi-Modale

Abstract

Introduciamo Transfusion, una metodologia per addestrare un modello multi-modale su dati discreti e continui. Transfusion combina la funzione di perdita del language modeling (predizione del token successivo) con la diffusione per addestrare un singolo trasformatore su sequenze di modalità miste. Pre-addestriamo diversi modelli Transfusion fino a 7 miliardi di parametri da zero su un mix di dati testuali e immagini, stabilendo leggi di scalabilità rispetto a una varietà di benchmark uni- e cross-modali. I nostri esperimenti dimostrano che Transfusion scala significativamente meglio rispetto alla quantizzazione delle immagini e all'addestramento di un modello linguistico su token discreti di immagini. Introducendo strati di codifica e decodifica specifici per ciascuna modalità, possiamo ulteriormente migliorare le prestazioni dei modelli Transfusion, arrivando persino a comprimere ciascuna immagine in soli 16 patch. Dimostriamo inoltre che scalare la nostra metodologia Transfusion a 7 miliardi di parametri e 2 trilioni di token multi-modali produce un modello in grado di generare immagini e testo alla pari con modelli di diffusione e linguistici di scala simile, raccogliendo i benefici di entrambi gli approcci.

English

We introduce Transfusion, a recipe for training a multi-modal model over discrete and continuous data. Transfusion combines the language modeling loss function (next token prediction) with diffusion to train a single transformer over mixed-modality sequences. We pretrain multiple Transfusion models up to 7B parameters from scratch on a mixture of text and image data, establishing scaling laws with respect to a variety of uni- and cross-modal benchmarks. Our experiments show that Transfusion scales significantly better than quantizing images and training a language model over discrete image tokens. By introducing modality-specific encoding and decoding layers, we can further improve the performance of Transfusion models, and even compress each image to just 16 patches. We further demonstrate that scaling our Transfusion recipe to 7B parameters and 2T multi-modal tokens produces a model that can generate images and text on a par with similar scale diffusion models and language models, reaping the benefits of both worlds.

Transfusion: Prevedi il Token Successivo e Diffondi Immagini con un Unico Modello Multi-Modale

Transfusion: Predict the Next Token and Diffuse Images with One Multi-Modal Model

Abstract

Support