オムニベンチ：普遍的なオムニ言語モデルの未来に向けて

OmniBench: Towards The Future of Universal Omni-Language Models

September 23, 2024

著者: Yizhi Li, Ge Zhang, Yinghao Ma, Ruibin Yuan, Kang Zhu, Hangyu Guo, Yiming Liang, Jiaheng Liu, Jian Yang, Siwei Wu, Xingwei Qu, Jinjie Shi, Xinyue Zhang, Zhenzhu Yang, Xiangzhou Wang, Zhaoxiang Zhang, Zachary Liu, Emmanouil Benetos, Wenhao Huang, Chenghua Lin

cs.AI

要旨

最近の多様なモダリティ間でデータを統合し解釈することを目指したマルチモーダル大規模言語モデル（MLLMs）の進歩は、複数のモダリティを同時に処理し理論的に考えるこれらのモデルの能力は、包括的なモダリティ別のベンチマークの不足のために不十分に探求されています。我々は、視覚、音声、およびテキスト入力を同時に認識、解釈、および推論するモデルの能力を厳密に評価するために設計された新しいベンチマークであるOmniBenchを紹介します。このような三モーダル処理が可能なモデルをオムニ言語モデル（OLMs）と定義します。OmniBenchは、高品質の人間による注釈によって特徴付けられ、正確な応答が全ての三つのモダリティにわたる統合的な理解と推論を必要とすることを保証します。我々の主な発見は、i）オープンソースのOLMsは三モーダルコンテキスト内での指示の従う能力と推論能力において重要な制限があり、ii）代替テキスト表現が画像と音声の場合でも、ベースラインモデルは低い性能（50％未満の精度）を示すことです。これらの結果は、テキスト、画像、音声から一貫したコンテキストを構築する能力が、既存のMLLMのトレーニングパラダイムでしばしば見落とされていることを示唆しています。将来の研究は、多様なモダリティにわたるOLMのパフォーマンスを向上させるために、より堅牢な三モーダル統合技術とトレーニング戦略の開発に焦点を当てることを提唱しています。コードとリーダーボードは、https://m-a-p.ai/OmniBench で見つけることができます。

English

Recent advancements in multimodal large language models (MLLMs) have aimed to integrate and interpret data across diverse modalities. However, the capacity of these models to concurrently process and reason about multiple modalities remains inadequately explored, partly due to the lack of comprehensive modality-wise benchmarks. We introduce OmniBench, a novel benchmark designed to rigorously evaluate models' ability to recognize, interpret, and reason across visual, acoustic, and textual inputs simultaneously. We define models capable of such tri-modal processing as omni-language models (OLMs). OmniBench is distinguished by high-quality human annotations, ensuring that accurate responses require integrated understanding and reasoning across all three modalities. Our main findings reveal that: i) open-source OLMs exhibit critical limitations in instruction-following and reasoning capabilities within tri-modal contexts; and ii) the baseline models perform poorly (below 50% accuracy) even when provided with alternative textual representations of images and audio. These results suggest that the ability to construct a consistent context from text, image, and audio is often overlooked in existing MLLM training paradigms. We advocate for future research to focus on developing more robust tri-modal integration techniques and training strategies to enhance OLM performance across diverse modalities. The codes and live leaderboard could be found at https://m-a-p.ai/OmniBench.