OmniFusion 技術レポート

OmniFusion Technical Report

April 9, 2024

著者: Elizaveta Goncharova, Anton Razzhigaev, Matvey Mikhalchuk, Maxim Kurkin, Irina Abdullaeva, Matvey Skripkin, Ivan Oseledets, Denis Dimitrov, Andrey Kuznetsov

cs.AI

要旨

昨年、マルチモーダルアーキテクチャはAIベースのアプローチとソリューションにおいて革命をもたらし、大規模言語モデル（LLM）の能力を拡張しました。我々は、事前学習済みのLLMと視覚モダリティ用のアダプターに基づくOmniFusionモデルを提案します。テキストと視覚データのより良い結合を実現するため、いくつかのアーキテクチャ設計原則を評価・比較しました：MLPおよびトランスフォーマーアダプター、様々なCLIP ViTベースのエンコーダー（SigLIP、InternVITなど）、それらの融合アプローチ、画像エンコーディング方法（画像全体またはタイルエンコーディング）、そして2つの7B LLM（独自モデルとオープンソースのMistral）です。8つの視覚言語ベンチマークでの実験により、オープンソースのLLaVAのようなソリューションと比較して、様々なVQAタスクにおいて最良のOmniFusion設定が最高スコアを達成しました：VizWiz、Pope、MM-Vet、ScienceQA、MMBench、TextVQA、VQAv2、MMMU。また、OmniFusionが家事、観光、文化、医療、手書きおよびスキャンされた数式認識など、様々な分野で詳細な回答を提供する多様な状況を提案します。MistralベースのOmniFusionモデルは、重み、トレーニング、推論スクリプトが利用可能なオープンソースソリューションであり、https://github.com/AIRI-Institute/OmniFusion で公開されています。

English

Last year, multimodal architectures served up a revolution in AI-based approaches and solutions, extending the capabilities of large language models (LLM). We propose an OmniFusion model based on a pretrained LLM and adapters for visual modality. We evaluated and compared several architecture design principles for better text and visual data coupling: MLP and transformer adapters, various CLIP ViT-based encoders (SigLIP, InternVIT, etc.), and their fusing approach, image encoding method (whole image or tiles encoding) and two 7B LLMs (the proprietary one and open-source Mistral). Experiments on 8 visual-language benchmarks show the top score for the best OmniFusion setup in terms of different VQA tasks in comparison with open-source LLaVA-like solutions: VizWiz, Pope, MM-Vet, ScienceQA, MMBench, TextVQA, VQAv2, MMMU. We also propose a variety of situations, where OmniFusion provides highly-detailed answers in different domains: housekeeping, sightseeing, culture, medicine, handwritten and scanned equations recognition, etc. Mistral-based OmniFusion model is an open-source solution with weights, training and inference scripts available at https://github.com/AIRI-Institute/OmniFusion.