Opschalen van vooraf training naar honderd miljard gegevens voor visie-taalmodellen

Scaling Pre-training to One Hundred Billion Data for Vision Language Models

February 11, 2025

Auteurs: Xiao Wang, Ibrahim Alabdulmohsin, Daniel Salz, Zhe Li, Keran Rong, Xiaohua Zhai

cs.AI

Samenvatting

We bieden een empirisch onderzoek naar het potentieel van vooraf trainen van visie-taalmodellen op een ongekende schaal: 100 miljard voorbeelden. We constateren dat de prestaties van het model op dit niveau verzadigen op veel voorkomende Westers-gecentreerde classificatie- en ophaalbeproevingen, zoals COCO-ondertitels. Desalniettemin behalen taken van culturele diversiteit aanzienlijk meer winst uit de webgegevens op de schaal van 100 miljard, dankzij de dekking van zeldzame concepten. Bovendien analyseren we de meertaligheid van het model en tonen winsten in talen met weinig bronnen. Daarnaast merken we op dat het verkleinen van de omvang van de vooraf trainingsdataset via kwaliteitsfilters zoals het gebruik van CLIP, dat doorgaans wordt gebruikt om de prestaties te verbeteren, mogelijk onbedoeld de culturele diversiteit kan verminderen die zelfs in grootschalige datasets wordt vertegenwoordigd. Onze resultaten benadrukken dat, hoewel traditionele benchmarks mogelijk niet aanzienlijk profiteren van het schalen van rauwe webgegevens naar 100 miljard voorbeelden, deze gegevensschaal essentieel is voor het bouwen van echt inclusieve multimodale systemen.

English

We provide an empirical investigation of the potential of pre-training vision-language models on an unprecedented scale: 100 billion examples. We find that model performance tends to saturate at this scale on many common Western-centric classification and retrieval benchmarks, such as COCO Captions. Nevertheless, tasks of cultural diversity achieve more substantial gains from the 100-billion scale web data, thanks to its coverage of long-tail concepts. Furthermore, we analyze the model's multilinguality and show gains in low-resource languages as well. In addition, we observe that reducing the size of the pretraining dataset via quality filters like using CLIP, typically used to enhance performance, may inadvertently reduce the cultural diversity represented even in large-scale datasets. Our results highlight that while traditional benchmarks may not benefit significantly from scaling noisy, raw web data to 100 billion examples, this data scale is vital for building truly inclusive multimodal systems.