SPHINX-X: Escalonamento de Dados e Parâmetros para uma Família de Modelos de Linguagem Multimodais de Grande Escala
SPHINX-X: Scaling Data and Parameters for a Family of Multi-modal Large Language Models
February 8, 2024
Autores: Peng Gao, Renrui Zhang, Chris Liu, Longtian Qiu, Siyuan Huang, Weifeng Lin, Shitian Zhao, Shijie Geng, Ziyi Lin, Peng Jin, Kaipeng Zhang, Wenqi Shao, Chao Xu, Conghui He, Junjun He, Hao Shao, Pan Lu, Hongsheng Li, Yu Qiao
cs.AI
Resumo
Propomos o SPHINX-X, uma extensa série de Modelos de Linguagem de Grande Escala Multimodal (MLLM) desenvolvida com base no SPHINX. Para melhorar a eficiência da arquitetura e do treinamento, modificamos a estrutura do SPHINX removendo codificadores visuais redundantes, contornando subimagens totalmente preenchidas com tokens de salto e simplificando o treinamento em múltiplas etapas para um paradigma único e abrangente. Para liberar plenamente o potencial dos MLLMs, montamos um conjunto de dados multimodal e multidisciplinar abrangente, cobrindo recursos publicamente disponíveis em tarefas de linguagem, visão e visão-linguagem. Além disso, enriquecemos essa coleção com nossos conjuntos de dados OCR intensivos e Set-of-Mark, ampliando a diversidade e a generalidade. Ao treinar sobre diferentes modelos de linguagem base, incluindo TinyLlama1.1B, InternLM2-7B, LLaMA2-13B e Mixtral8x7B, obtemos um espectro de MLLMs que variam em tamanho de parâmetros e capacidades multilingues. Avaliações abrangentes revelam uma forte correlação entre o desempenho multimodal e as escalas de dados e parâmetros. O código e os modelos estão disponíveis em https://github.com/Alpha-VLLM/LLaMA2-Accessory.
English
We propose SPHINX-X, an extensive Multimodality Large Language Model (MLLM)
series developed upon SPHINX. To improve the architecture and training
efficiency, we modify the SPHINX framework by removing redundant visual
encoders, bypassing fully-padded sub-images with skip tokens, and simplifying
multi-stage training into a one-stage all-in-one paradigm. To fully unleash the
potential of MLLMs, we assemble a comprehensive multi-domain and multimodal
dataset covering publicly available resources in language, vision, and
vision-language tasks. We further enrich this collection with our curated OCR
intensive and Set-of-Mark datasets, extending the diversity and generality. By
training over different base LLMs including TinyLlama1.1B, InternLM2-7B,
LLaMA2-13B, and Mixtral8x7B, we obtain a spectrum of MLLMs that vary in
parameter size and multilingual capabilities. Comprehensive benchmarking
reveals a strong correlation between the multi-modal performance with the data
and parameter scales. Code and models are released at
https://github.com/Alpha-VLLM/LLaMA2-Accessory