OmniBench: Naar de Toekomst van Universele Omni-Taalmodellen

OmniBench: Towards The Future of Universal Omni-Language Models

September 23, 2024

Auteurs: 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

Samenvatting

Recente ontwikkelingen in multimodale grote taalmodellen (MLLM's) hebben tot doel gegevens over diverse modaliteiten te integreren en interpreteren. De capaciteit van deze modellen om gelijktijdig meerdere modaliteiten te verwerken en erover te redeneren blijft echter onvoldoende verkend, mede door het ontbreken van uitgebreide benchmarks per modaliteit. We introduceren OmniBench, een nieuwe benchmark die is ontworpen om op strenge wijze de mogelijkheid van modellen te evalueren om visuele, akoestische en tekstuele invoer tegelijkertijd te herkennen, interpreteren en redeneren. Modellen die in staat zijn tot dergelijke trimodale verwerking definiëren we als omni-taalmodellen (OLM's). OmniBench onderscheidt zich door hoogwaardige menselijke annotaties, waarbij nauwkeurige antwoorden een geïntegreerd begrip en redenering over alle drie modaliteiten vereisen. Onze belangrijkste bevindingen tonen aan dat: i) open-source OLM's kritieke beperkingen vertonen in het opvolgen van instructies en redeneervermogen binnen trimodale contexten; en ii) de basismodellen slecht presteren (onder de 50% nauwkeurigheid), zelfs wanneer ze worden voorzien van alternatieve tekstuele representaties van afbeeldingen en audio. Deze resultaten suggereren dat het vermogen om een consistente context te construeren uit tekst, afbeelding en audio vaak over het hoofd wordt gezien in bestaande MLLM-trainingsparadigma's. We pleiten voor toekomstig onderzoek om zich te richten op het ontwikkelen van robuustere trimodale integratietechnieken en trainingsstrategieën om de prestaties van OLM's over diverse modaliteiten te verbeteren. De codes en actuele ranglijst zijn te vinden op https://m-a-p.ai/OmniBench.

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.