PaLI-X: Sobre a Escalabilidade de um Modelo Multilíngue de Visão e Linguagem
PaLI-X: On Scaling up a Multilingual Vision and Language Model
May 29, 2023
Autores: Xi Chen, Josip Djolonga, Piotr Padlewski, Basil Mustafa, Soravit Changpinyo, Jialin Wu, Carlos Riquelme Ruiz, Sebastian Goodman, Xiao Wang, Yi Tay, Siamak Shakeri, Mostafa Dehghani, Daniel Salz, Mario Lucic, Michael Tschannen, Arsha Nagrani, Hexiang Hu, Mandar Joshi, Bo Pang, Ceslee Montgomery, Paulina Pietrzyk, Marvin Ritter, AJ Piergiovanni, Matthias Minderer, Filip Pavetic, Austin Waters, Gang Li, Ibrahim Alabdulmohsin, Lucas Beyer, Julien Amelot, Kenton Lee, Andreas Peter Steiner, Yang Li, Daniel Keysers, Anurag Arnab, Yuanzhong Xu, Keran Rong, Alexander Kolesnikov, Mojtaba Seyedhosseini, Anelia Angelova, Xiaohua Zhai, Neil Houlsby, Radu Soricut
cs.AI
Resumo
Apresentamos a metodologia de treinamento e os resultados da ampliação do PaLI-X, um modelo multimodal de visão e linguagem, tanto em termos do tamanho dos componentes quanto da abrangência da mistura de tarefas de treinamento. Nosso modelo alcança novos patamares de desempenho em uma ampla gama de tarefas variadas e complexas, incluindo múltiplas tarefas de geração de legendas e questionamento baseadas em imagens, compreensão de documentos baseados em imagens e aprendizado few-shot (em contexto), além de detecção de objetos, questionamento sobre vídeos e geração de legendas para vídeos. O PaLI-X avança o estado da arte na maioria dos benchmarks de visão e linguagem considerados (mais de 25). Por fim, observamos capacidades emergentes, como contagem complexa e detecção de objetos multilingue, tarefas que não estão explicitamente na mistura de treinamento.
English
We present the training recipe and results of scaling up PaLI-X, a
multilingual vision and language model, both in terms of size of the components
and the breadth of its training task mixture. Our model achieves new levels of
performance on a wide-range of varied and complex tasks, including multiple
image-based captioning and question-answering tasks, image-based document
understanding and few-shot (in-context) learning, as well as object detection,
video question answering, and video captioning. PaLI-X advances the
state-of-the-art on most vision-and-language benchmarks considered (25+ of
them). Finally, we observe emerging capabilities, such as complex counting and
multilingual object detection, tasks that are not explicitly in the training
mix.