Wat is belangrijk bij het bouwen van visueel-taalkundige modellen?

What matters when building vision-language models?

May 3, 2024

Auteurs: Hugo Laurençon, Léo Tronchon, Matthieu Cord, Victor Sanh

cs.AI

Samenvatting

De groeiende interesse in vision-language models (VLMs) wordt aangedreven door verbeteringen in grote taalmodellen en vision transformers. Ondanks de overvloed aan literatuur over dit onderwerp, merken we op dat cruciale beslissingen met betrekking tot het ontwerp van VLMs vaak niet worden onderbouwd. Wij stellen dat deze ongefundeerde beslissingen de vooruitgang in het veld belemmeren door het moeilijk te maken om te identificeren welke keuzes de modelprestaties verbeteren. Om dit probleem aan te pakken, voeren we uitgebreide experimenten uit rond vooraf getrainde modellen, architectuurkeuze, data en trainingsmethoden. Onze consolidatie van bevindingen omvat de ontwikkeling van Idefics2, een efficiënt foundation VLM met 8 miljard parameters. Idefics2 behaalt state-of-the-art prestaties binnen zijn groottecategorie op verschillende multimodale benchmarks, en is vaak vergelijkbaar met modellen die vier keer zo groot zijn. We geven het model vrij (basis, geïnstrueerd en chat) samen met de datasets die zijn gemaakt voor de training ervan.

English

The growing interest in vision-language models (VLMs) has been driven by improvements in large language models and vision transformers. Despite the abundance of literature on this subject, we observe that critical decisions regarding the design of VLMs are often not justified. We argue that these unsupported decisions impede progress in the field by making it difficult to identify which choices improve model performance. To address this issue, we conduct extensive experiments around pre-trained models, architecture choice, data, and training methods. Our consolidation of findings includes the development of Idefics2, an efficient foundational VLM of 8 billion parameters. Idefics2 achieves state-of-the-art performance within its size category across various multimodal benchmarks, and is often on par with models four times its size. We release the model (base, instructed, and chat) along with the datasets created for its training.