Transfusão: Prever o Próximo Token e Difundir Imagens com um Modelo Multi-Modal

Transfusion: Predict the Next Token and Diffuse Images with One Multi-Modal Model

August 20, 2024

Autores: Chunting Zhou, Lili Yu, Arun Babu, Kushal Tirumala, Michihiro Yasunaga, Leonid Shamis, Jacob Kahn, Xuezhe Ma, Luke Zettlemoyer, Omer Levy

cs.AI

Resumo

Apresentamos o Transfusion, uma receita para treinar um modelo multimodal sobre dados discretos e contínuos. O Transfusion combina a função de perda de modelagem de linguagem (previsão do próximo token) com difusão para treinar um único transformador sobre sequências de multimodalidade mista. Pré-treinamos vários modelos de Transfusion com até 7B de parâmetros a partir do zero em uma mistura de dados de texto e imagem, estabelecendo leis de escalonamento em relação a uma variedade de benchmarks unimodais e multimodais. Nossos experimentos mostram que o Transfusion escala significativamente melhor do que quantizar imagens e treinar um modelo de linguagem sobre tokens de imagem discretos. Ao introduzir camadas de codificação e decodificação específicas para cada modalidade, podemos melhorar ainda mais o desempenho dos modelos de Transfusion e até mesmo comprimir cada imagem para apenas 16 patches. Demonstramos ainda que escalando nossa receita de Transfusion para 7B de parâmetros e 2T de tokens multimodais produz um modelo capaz de gerar imagens e texto em pé de igualdade com modelos de difusão de escala semelhante e modelos de linguagem, colhendo os benefícios de ambos os mundos.

English

We introduce Transfusion, a recipe for training a multi-modal model over discrete and continuous data. Transfusion combines the language modeling loss function (next token prediction) with diffusion to train a single transformer over mixed-modality sequences. We pretrain multiple Transfusion models up to 7B parameters from scratch on a mixture of text and image data, establishing scaling laws with respect to a variety of uni- and cross-modal benchmarks. Our experiments show that Transfusion scales significantly better than quantizing images and training a language model over discrete image tokens. By introducing modality-specific encoding and decoding layers, we can further improve the performance of Transfusion models, and even compress each image to just 16 patches. We further demonstrate that scaling our Transfusion recipe to 7B parameters and 2T multi-modal tokens produces a model that can generate images and text on a par with similar scale diffusion models and language models, reaping the benefits of both worlds.