LLaVA-MoD: Tornando o LLaVA Pequeno através da Distorção de Conhecimento MoE

LLaVA-MoD: Making LLaVA Tiny via MoE Knowledge Distillation

August 28, 2024

Autores: Fangxun Shu, Yue Liao, Le Zhuo, Chenning Xu, Guanghao Zhang, Haonan Shi, Long Chen, Tao Zhong, Wanggui He, Siming Fu, Haoyuan Li, Bolin Li, Zhelun Yu, Si Liu, Hongsheng Li, Hao Jiang

cs.AI

Resumo

Apresentamos LLaVA-MoD, um novo framework projetado para permitir o treinamento eficiente de Modelos de Linguagem Multimodais em pequena escala (s-MLLM) por meio da destilação de conhecimento de MLLM em grande escala (l-MLLM). Nossa abordagem enfrenta dois desafios fundamentais na destilação de MLLM. Primeiramente, otimizamos a estrutura de rede do s-MLLM integrando uma arquitetura esparsa de Mistura de Especialistas (MoE) no modelo de linguagem, encontrando um equilíbrio entre eficiência computacional e expressividade do modelo. Em segundo lugar, propomos uma estratégia progressiva de transferência de conhecimento para garantir uma migração abrangente de conhecimento. Esta estratégia começa com a destilação de imitação, onde minimizamos a divergência Kullback-Leibler (KL) entre as distribuições de saída para permitir que o modelo aluno emule a compreensão da rede professora. Em seguida, introduzimos a destilação de preferência por meio da Otimização Direta de Preferência (DPO), onde a chave está em tratar o l-MLLM como o modelo de referência. Durante esta fase, a capacidade do s-MLLM de discriminar entre exemplos superiores e inferiores é significativamente aprimorada além do l-MLLM, resultando em um aluno melhor que supera seu professor, especialmente em benchmarks de alucinação. Experimentos extensivos demonstram que o LLaVA-MoD supera os modelos existentes em vários benchmarks multimodais, mantendo um número mínimo de parâmetros ativados e baixos custos computacionais. Notavelmente, o LLaVA-MoD, com apenas 2B de parâmetros ativados, supera o Qwen-VL-Chat-7B em média 8,8% em benchmarks, usando apenas 0,3% dos dados de treinamento e 23% dos parâmetros treináveis. Esses resultados destacam a capacidade do LLaVA-MoD de destilar efetivamente conhecimento abrangente de seu modelo professor, abrindo caminho para o desenvolvimento de MLLMs mais eficientes. O código estará disponível em: https://github.com/shufangxun/LLaVA-MoD.

English

We introduce LLaVA-MoD, a novel framework designed to enable the efficient training of small-scale Multimodal Language Models (s-MLLM) by distilling knowledge from large-scale MLLM (l-MLLM). Our approach tackles two fundamental challenges in MLLM distillation. First, we optimize the network structure of s-MLLM by integrating a sparse Mixture of Experts (MoE) architecture into the language model, striking a balance between computational efficiency and model expressiveness. Second, we propose a progressive knowledge transfer strategy to ensure comprehensive knowledge migration. This strategy begins with mimic distillation, where we minimize the Kullback-Leibler (KL) divergence between output distributions to enable the student model to emulate the teacher network's understanding. Following this, we introduce preference distillation via Direct Preference Optimization (DPO), where the key lies in treating l-MLLM as the reference model. During this phase, the s-MLLM's ability to discriminate between superior and inferior examples is significantly enhanced beyond l-MLLM, leading to a better student that surpasses its teacher, particularly in hallucination benchmarks. Extensive experiments demonstrate that LLaVA-MoD outperforms existing models across various multimodal benchmarks while maintaining a minimal number of activated parameters and low computational costs. Remarkably, LLaVA-MoD, with only 2B activated parameters, surpasses Qwen-VL-Chat-7B by an average of 8.8% across benchmarks, using merely 0.3% of the training data and 23% trainable parameters. These results underscore LLaVA-MoD's ability to effectively distill comprehensive knowledge from its teacher model, paving the way for the development of more efficient MLLMs. The code will be available on: https://github.com/shufangxun/LLaVA-MoD.