Deixe o ViT Falar: Pré-treinamento Generativo de Linguagem-Imagem

Resumo

Neste artigo, apresentamos o Generative Language-Image Pre-training (GenLIP), uma estrutura minimalista de pré-treinamento generativo para Vision Transformers (ViTs) projetada para modelos de linguagem multimodal de grande escala (MLLMs). Para melhor alinhar os codificadores de visão com a natureza autoregressiva dos LLMs, o GenLIP treina um ViT para prever tokens de linguagem diretamente a partir de tokens visuais usando um objetivo padrão de modelagem de linguagem, sem construção de lotes contrastivos ou um decodificador de texto adicional. Este projeto oferece três vantagens principais: (1) Simplicidade: um único transformer modela conjuntamente tokens visuais e textuais; (2) Escalabilidade: escala efetivamente com o tamanho dos dados e do modelo; e (3) Desempenho: alcança resultados competitivos ou superiores em diversos benchmarks multimodais. Treinado em 8B de amostras do Recap-DataComp-1B, o GenLIP iguala ou supera baselines robustas apesar de usar substancialmente menos dados de pré-treinamento. Após pré-treinamento contínuo em imagens de múltiplas resoluções com proporções nativas, o GenLIP melhora ainda mais em tarefas sensíveis a detalhes, como OCR e compreensão de gráficos, tornando-o uma base sólida para codificadores de visão em MLLMs.

English

In this paper, we present Generative Language-Image Pre-training (GenLIP), a minimalist generative pretraining framework for Vision Transformers (ViTs) designed for multimodal large language models (MLLMs). To better align vision encoders with the autoregressive nature of LLMs, GenLIP trains a ViT to predict language tokens directly from visual tokens using a standard language modeling objective, without contrastive batch construction or an additional text decoder. This design offers three key advantages: (1) Simplicity: a single transformer jointly models visual and textual tokens; (2) Scalability: it scales effectively with both data and model size; and (3) Performance: it achieves competitive or superior results across diverse multimodal benchmarks. Trained on 8B samples from Recap-DataComp-1B, GenLIP matches or surpasses strong baselines despite using substantially less pretraining data. After continued pretraining on multi-resolution images at native aspect ratios, GenLIP further improves on detail-sensitive tasks such as OCR and chart understanding, making it a strong foundation for vision encoders in MLLMs.