OmniBench: Rumo ao Futuro dos Modelos Universais de Linguagem Omni-Idioma

OmniBench: Towards The Future of Universal Omni-Language Models

September 23, 2024

Autores: 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

Resumo

Avanços recentes em modelos de linguagem grandes multimodais (MLLMs) têm como objetivo integrar e interpretar dados em diversas modalidades. No entanto, a capacidade desses modelos de processar e raciocinar simultaneamente sobre múltiplas modalidades ainda é insuficientemente explorada, em parte devido à falta de benchmarks abrangentes por modalidade. Apresentamos o OmniBench, um novo benchmark projetado para avaliar rigorosamente a capacidade dos modelos de reconhecer, interpretar e raciocinar sobre entradas visuais, acústicas e textuais simultaneamente. Definimos modelos capazes desse processamento trímodal como modelos de linguagem omni (OLMs). O OmniBench se destaca por suas anotações humanas de alta qualidade, garantindo que respostas precisas exijam compreensão integrada e raciocínio em todas as três modalidades. Nossas principais descobertas revelam que: i) OLMs de código aberto apresentam limitações críticas na capacidade de seguir instruções e raciocinar em contextos trímodais; e ii) os modelos de referência têm desempenho ruim (abaixo de 50% de precisão) mesmo quando fornecidos com representações textuais alternativas de imagens e áudio. Esses resultados sugerem que a habilidade de construir um contexto consistente a partir de texto, imagem e áudio é frequentemente negligenciada nos paradigmas de treinamento MLLM existentes. Defendemos que futuras pesquisas se concentrem no desenvolvimento de técnicas de integração trímodal mais robustas e estratégias de treinamento para melhorar o desempenho do OLM em diversas modalidades. Os códigos e a classificação ao vivo podem ser encontrados em 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.