AdaMMS: 教師なし係数最適化による異種マルチモーダル大規模言語モデルのモデル統合

AdaMMS: Model Merging for Heterogeneous Multimodal Large Language Models with Unsupervised Coefficient Optimization

March 31, 2025

著者: Yiyang Du, Xiaochen Wang, Chi Chen, Jiabo Ye, Yiru Wang, Peng Li, Ming Yan, Ji Zhang, Fei Huang, Zhifang Sui, Maosong Sun, Yang Liu

cs.AI

要旨

近年、モデルマージ手法は、複数の大規模言語モデル（LLM）から様々なタスクにおける能力を組み合わせる強力な手法として注目を集めています。従来のモデルマージ手法は主に同一アーキテクチャを持つ同種モデルのマージに焦点を当てていましたが、モデルアーキテクチャの違いやパラメータ空間の非対称性といった本質的な異質性を持つマルチモーダル大規模言語モデル（MLLM）を扱う際に課題に直面していました。本研究では、異種MLLMに特化した新しいモデルマージ手法であるAdaMMSを提案します。本手法は、マッピング、マージ、探索の3つのステップでこれらの課題に取り組みます。具体的には、まず異なるアーキテクチャを持つMLLMにモデルマージを適用するためのマッピング関数を設計します。次に、モデル重みに対して線形補間を適用し、異種MLLMにおける非対称性に積極的に適応します。最後に、ハイパーパラメータ探索ステップにおいて、モデルマージのための教師なしハイパーパラメータ選択手法を提案します。ラベル付きデータを必要とせずに異種MLLMをマージ可能な初のモデルマージ手法として、様々なモデル組み合わせに対する広範な実験により、AdaMMSが従来のモデルマージ手法を複数の視覚-言語ベンチマークで上回ることを実証しました。

English

Recently, model merging methods have demonstrated powerful strengths in combining abilities on various tasks from multiple Large Language Models (LLMs). While previous model merging methods mainly focus on merging homogeneous models with identical architecture, they meet challenges when dealing with Multimodal Large Language Models (MLLMs) with inherent heterogeneous property, including differences in model architecture and the asymmetry in the parameter space. In this work, we propose AdaMMS, a novel model merging method tailored for heterogeneous MLLMs. Our method tackles the challenges in three steps: mapping, merging and searching. Specifically, we first design mapping function between models to apply model merging on MLLMs with different architecture. Then we apply linear interpolation on model weights to actively adapt the asymmetry in the heterogeneous MLLMs. Finally in the hyper-parameter searching step, we propose an unsupervised hyper-parameter selection method for model merging. As the first model merging method capable of merging heterogeneous MLLMs without labeled data, extensive experiments on various model combinations demonstrated that AdaMMS outperforms previous model merging methods on various vision-language benchmarks.