VARGPT-v1.1: Aprimoramento do Modelo Unificado Visual Autoregressivo de Grande Escala por meio de Ajuste Iterativo de Instruções e Aprendizado por Reforço

VARGPT-v1.1: Improve Visual Autoregressive Large Unified Model via Iterative Instruction Tuning and Reinforcement Learning

April 3, 2025

Autores: Xianwei Zhuang, Yuxin Xie, Yufan Deng, Dongchao Yang, Liming Liang, Jinghan Ru, Yuguo Yin, Yuexian Zou

cs.AI

Resumo

Neste trabalho, apresentamos o VARGPT-v1.1, um modelo visual autorregressivo unificado avançado que se baseia em nossa estrutura anterior, o VARGPT. O modelo preserva o paradigma duplo de previsão do próximo token para compreensão visual e geração da próxima escala para síntese de imagens. Especificamente, o VARGPT-v1.1 integra: (1) uma nova estratégia de treinamento que combina ajuste iterativo de instruções visuais com aprendizado por reforço através da Otimização de Preferência Direta (DPO), (2) um corpus de treinamento expandido contendo 8,3 milhões de pares de instruções visuais-gerativas, (3) um modelo de linguagem aprimorado utilizando o Qwen2, (4) resolução de geração de imagens melhorada e (5) capacidades emergentes de edição de imagens sem modificações arquitetônicas. Esses avanços permitem que o VARGPT-v1.1 alcance desempenho de ponta em tarefas de compreensão multimodal e de seguimento de instruções texto-para-imagem, demonstrando melhorias significativas tanto em métricas de compreensão quanto de geração. Notavelmente, através do ajuste de instruções visuais, o modelo adquire funcionalidade de edição de imagens enquanto mantém consistência arquitetônica com seu predecessor, revelando o potencial para compreensão visual, geração e edição unificadas. Nossos achados sugerem que modelos visuais autorregressivos unificados bem projetados podem adotar efetivamente estratégias de treinamento flexíveis de grandes modelos de linguagem (LLMs), exibindo escalabilidade promissora. O código e os pesos do modelo estão disponíveis publicamente em https://github.com/VARGPT-family/VARGPT-v1.1.

English

In this work, we present VARGPT-v1.1, an advanced unified visual autoregressive model that builds upon our previous framework VARGPT. The model preserves the dual paradigm of next-token prediction for visual understanding and next-scale generation for image synthesis. Specifically, VARGPT-v1.1 integrates: (1) a novel training strategy combining iterative visual instruction tuning with reinforcement learning through Direct Preference Optimization (DPO), (2) an expanded training corpus containing 8.3M visual-generative instruction pairs, (3) an upgraded language model backbone using Qwen2, (4) enhanced image generation resolution, and (5) emergent image editing capabilities without architectural modifications. These advancements enable VARGPT-v1.1 to achieve state-of-the-art performance in multimodal understanding and text-to-image instruction-following tasks, demonstrating significant improvements in both comprehension and generation metrics. Notably, through visual instruction tuning, the model acquires image editing functionality while maintaining architectural consistency with its predecessor, revealing the potential for unified visual understanding, generation, and editing. Our findings suggest that well-designed unified visual autoregressive models can effectively adopt flexible training strategies from large language models (LLMs), exhibiting promising scalability. The codebase and model weights are publicly available at https://github.com/VARGPT-family/VARGPT-v1.1.