NVILA: Efficiënte Frontier Visuele Taalmodellen

NVILA: Efficient Frontier Visual Language Models

December 5, 2024

Auteurs: Zhijian Liu, Ligeng Zhu, Baifeng Shi, Zhuoyang Zhang, Yuming Lou, Shang Yang, Haocheng Xi, Shiyi Cao, Yuxian Gu, Dacheng Li, Xiuyu Li, Yunhao Fang, Yukang Chen, Cheng-Yu Hsieh, De-An Huang, An-Chieh Cheng, Vishwesh Nath, Jinyi Hu, Sifei Liu, Ranjay Krishna, Daguang Xu, Xiaolong Wang, Pavlo Molchanov, Jan Kautz, Hongxu Yin, Song Han, Yao Lu

cs.AI

Samenvatting

Visuele taalmodellen (VLM's) hebben de afgelopen jaren aanzienlijke vooruitgang geboekt op het gebied van nauwkeurigheid. Echter, hun efficiëntie heeft veel minder aandacht gekregen. Dit artikel introduceert NVILA, een familie van open VLM's die zijn ontworpen om zowel efficiëntie als nauwkeurigheid te optimaliseren. Voortbouwend op VILA, verbeteren we de modelarchitectuur door eerst de ruimtelijke en temporele resoluties te vergroten, en vervolgens visuele tokens te comprimeren. Deze "eerst schalen en dan comprimeren" benadering stelt NVILA in staat om op efficiënte wijze hoge-resolutie afbeeldingen en lange video's te verwerken. We voeren ook een systematisch onderzoek uit om de efficiëntie van NVILA gedurende de gehele levenscyclus te verbeteren, van training en fine-tuning tot implementatie. NVILA evenaart of overtreft de nauwkeurigheid van veel toonaangevende open en gepatenteerde VLM's over een breed scala aan afbeeldings- en videobenchmarks. Tegelijkertijd verlaagt het de trainingskosten met 4,5 keer, vermindert het geheugengebruik bij fine-tuning met 3,4 keer, verlaagt het de latentie vooraf met 1,6-2,2 keer, en de decodeerlatentie met 1,2-2,8 keer. We zullen binnenkort onze code en modellen beschikbaar stellen om reproduceerbaarheid te vergemakkelijken.

English

Visual language models (VLMs) have made significant advances in accuracy in recent years. However, their efficiency has received much less attention. This paper introduces NVILA, a family of open VLMs designed to optimize both efficiency and accuracy. Building on top of VILA, we improve its model architecture by first scaling up the spatial and temporal resolutions, and then compressing visual tokens. This "scale-then-compress" approach enables NVILA to efficiently process high-resolution images and long videos. We also conduct a systematic investigation to enhance the efficiency of NVILA throughout its entire lifecycle, from training and fine-tuning to deployment. NVILA matches or surpasses the accuracy of many leading open and proprietary VLMs across a wide range of image and video benchmarks. At the same time, it reduces training costs by 4.5X, fine-tuning memory usage by 3.4X, pre-filling latency by 1.6-2.2X, and decoding latency by 1.2-2.8X. We will soon make our code and models available to facilitate reproducibility.