X-LLM: Развитие продвинутых больших языковых моделей через обработку мультимодальностей как иностранных языков

X-LLM: Bootstrapping Advanced Large Language Models by Treating Multi-Modalities as Foreign Languages

May 7, 2023

Авторы: Feilong Chen, Minglun Han, Haozhi Zhao, Qingyang Zhang, Jing Shi, Shuang Xu, Bo Xu

cs.AI

Аннотация

Крупные языковые модели (LLM) продемонстрировали впечатляющие способности в обработке языка. GPT-4, основанная на продвинутых LLM, проявляет исключительные мультимодальные возможности, превосходя предыдущие визуально-языковые модели. Мы связываем это с использованием более совершенных LLM по сравнению с предыдущими мультимодальными моделями. К сожалению, архитектура модели и стратегии обучения GPT-4 остаются неизвестными. Чтобы наделить LLM мультимодальными возможностями, мы предлагаем X-LLM, которая преобразует мультимодальные данные (изображения, речь, видео) в "иностранные языки" с помощью интерфейсов X2L и передает их в крупную языковую модель (ChatGLM). Конкретно, X-LLM выравнивает несколько замороженных одномодальных кодировщиков и замороженную LLM с использованием интерфейсов X2L, где "X" обозначает мультимодальности, такие как изображения, речь и видео, а "L" обозначает языки. Обучение X-LLM состоит из трех этапов: (1) Преобразование мультимодальной информации: на первом этапе каждый интерфейс X2L обучается отдельно для выравнивания с соответствующим одномодальным кодировщиком, чтобы преобразовать мультимодальную информацию в языки. (2) Выравнивание представлений X2L с LLM: одномодальные кодировщики выравниваются с LLM через интерфейсы X2L независимо. (3) Интеграция множества модальностей: все одномодальные кодировщики выравниваются с LLM через интерфейсы X2L для интеграции мультимодальных возможностей в LLM. Наши эксперименты показывают, что X-LLM демонстрирует впечатляющие способности в мультимодальном общении, иногда проявляя поведение, схожее с мультимодальным GPT-4 на неизвестных изображениях/инструкциях, и достигает 84,5% относительного результата по сравнению с GPT-4 на синтетическом наборе данных для выполнения мультимодальных инструкций. Мы также проводим количественные тесты по использованию LLM для автоматического распознавания речи (ASR) и мультимодального ASR, надеясь способствовать наступлению эпохи распознавания речи на основе LLM.

English

Large language models (LLMs) have demonstrated remarkable language abilities. GPT-4, based on advanced LLMs, exhibits extraordinary multimodal capabilities beyond previous visual language models. We attribute this to the use of more advanced LLMs compared with previous multimodal models. Unfortunately, the model architecture and training strategies of GPT-4 are unknown. To endow LLMs with multimodal capabilities, we propose X-LLM, which converts Multi-modalities (images, speech, videos) into foreign languages using X2L interfaces and inputs them into a large Language model (ChatGLM). Specifically, X-LLM aligns multiple frozen single-modal encoders and a frozen LLM using X2L interfaces, where ``X'' denotes multi-modalities such as image, speech, and videos, and ``L'' denotes languages. X-LLM's training consists of three stages: (1) Converting Multimodal Information: The first stage trains each X2L interface to align with its respective single-modal encoder separately to convert multimodal information into languages. (2) Aligning X2L representations with the LLM: single-modal encoders are aligned with the LLM through X2L interfaces independently. (3) Integrating multiple modalities: all single-modal encoders are aligned with the LLM through X2L interfaces to integrate multimodal capabilities into the LLM. Our experiments show that X-LLM demonstrates impressive multimodel chat abilities, sometimes exhibiting the behaviors of multimodal GPT-4 on unseen images/instructions, and yields a 84.5\% relative score compared with GPT-4 on a synthetic multimodal instruction-following dataset. And we also conduct quantitative tests on using LLM for ASR and multimodal ASR, hoping to promote the era of LLM-based speech recognition.