VARGPT-v1.1: Verbetering van het Visueel Autoregressief Groot Geïntegreerd Model via Iteratieve Instructieafstemming en Reinforcement Learning

VARGPT-v1.1: Improve Visual Autoregressive Large Unified Model via Iterative Instruction Tuning and Reinforcement Learning

April 3, 2025

Auteurs: Xianwei Zhuang, Yuxin Xie, Yufan Deng, Dongchao Yang, Liming Liang, Jinghan Ru, Yuguo Yin, Yuexian Zou

cs.AI

Samenvatting

In dit werk presenteren we VARGPT-v1.1, een geavanceerd geïntegreerd visueel autoregressief model dat voortbouwt op ons eerdere framework VARGPT. Het model behoudt het dubbele paradigma van volgende-tokenvoorspelling voor visueel begrip en volgende-schaalgeneratie voor beeld-synthese. Specifiek integreert VARGPT-v1.1: (1) een nieuwe trainingsstrategie die iteratieve visuele instructieafstemming combineert met reinforcement learning via Direct Preference Optimization (DPO), (2) een uitgebreide trainingscorpus met 8,3 miljoen visueel-generatieve instructieparen, (3) een geüpgraded taalmodel-backbone met Qwen2, (4) verbeterde beeldgeneratieresolutie, en (5) opkomende beeldbewerkingsmogelijkheden zonder architectonische aanpassingen. Deze verbeteringen stellen VARGPT-v1.1 in staat om state-of-the-art prestaties te behalen in multimodaal begrip en tekst-naar-beeld instructievolgende taken, met aanzienlijke verbeteringen in zowel begrips- als generatiemetrics. Opmerkelijk is dat het model door visuele instructieafstemming beeldbewerkingsfunctionaliteit verwerft, terwijl het architectonisch consistent blijft met zijn voorganger, wat het potentieel voor geïntegreerd visueel begrip, generatie en bewerken onthult. Onze bevindingen suggereren dat goed ontworpen geïntegreerde visuele autoregressieve modellen flexibele trainingsstrategieën van grote taalmodelen (LLM's) effectief kunnen overnemen, wat veelbelovende schaalbaarheid laat zien. De codebase en modelgewichten zijn publiekelijk beschikbaar op https://github.com/VARGPT-family/VARGPT-v1.1.

English

In this work, we present VARGPT-v1.1, an advanced unified visual autoregressive model that builds upon our previous framework VARGPT. The model preserves the dual paradigm of next-token prediction for visual understanding and next-scale generation for image synthesis. Specifically, VARGPT-v1.1 integrates: (1) a novel training strategy combining iterative visual instruction tuning with reinforcement learning through Direct Preference Optimization (DPO), (2) an expanded training corpus containing 8.3M visual-generative instruction pairs, (3) an upgraded language model backbone using Qwen2, (4) enhanced image generation resolution, and (5) emergent image editing capabilities without architectural modifications. These advancements enable VARGPT-v1.1 to achieve state-of-the-art performance in multimodal understanding and text-to-image instruction-following tasks, demonstrating significant improvements in both comprehension and generation metrics. Notably, through visual instruction tuning, the model acquires image editing functionality while maintaining architectural consistency with its predecessor, revealing the potential for unified visual understanding, generation, and editing. Our findings suggest that well-designed unified visual autoregressive models can effectively adopt flexible training strategies from large language models (LLMs), exhibiting promising scalability. The codebase and model weights are publicly available at https://github.com/VARGPT-family/VARGPT-v1.1.