OmniBench: К будущему универсальных омниязычных моделей

OmniBench: Towards The Future of Universal Omni-Language Models

September 23, 2024

Авторы: Yizhi Li, Ge Zhang, Yinghao Ma, Ruibin Yuan, Kang Zhu, Hangyu Guo, Yiming Liang, Jiaheng Liu, Jian Yang, Siwei Wu, Xingwei Qu, Jinjie Shi, Xinyue Zhang, Zhenzhu Yang, Xiangzhou Wang, Zhaoxiang Zhang, Zachary Liu, Emmanouil Benetos, Wenhao Huang, Chenghua Lin

cs.AI

Аннотация

Недавние достижения в области мультимодальных крупных языковых моделей (MLLMs) направлены на интеграцию и интерпретацию данных из различных модальностей. Однако способность этих моделей одновременно обрабатывать и рассуждать о нескольких модальностях остается недостаточно исследованной, частично из-за отсутствия комплексных бенчмарков по модальностям. Мы представляем OmniBench, новый бенчмарк, разработанный для строгой оценки способности моделей распознавать, интерпретировать и рассуждать одновременно по визуальным, акустическим и текстовым входам. Мы определяем модели, способные к такой три-модальной обработке, как омни-языковые модели (OLMs). OmniBench отличается высококачественными человеческими аннотациями, обеспечивая, что точные ответы требуют интегрированного понимания и рассуждения по всем трем модальностям. Наши основные результаты показывают, что: i) открытые OLMs проявляют критические ограничения в следовании инструкциям и способностях рассуждения в три-модальных контекстах; и ii) базовые модели показывают плохие результаты (ниже 50% точности), даже когда им предоставляются альтернативные текстовые представления изображений и аудио. Эти результаты свидетельствуют о том, что способность строить последовательный контекст из текста, изображения и аудио часто упускается в существующих парадигмах обучения MLLM. Мы призываем к тому, чтобы будущие исследования сосредоточились на разработке более надежных техник интеграции три-модальности и стратегий обучения для улучшения производительности OLM по различным модальностям. Коды и актуальная таблица лидеров доступны по ссылке https://m-a-p.ai/OmniBench.

English

Recent advancements in multimodal large language models (MLLMs) have aimed to integrate and interpret data across diverse modalities. However, the capacity of these models to concurrently process and reason about multiple modalities remains inadequately explored, partly due to the lack of comprehensive modality-wise benchmarks. We introduce OmniBench, a novel benchmark designed to rigorously evaluate models' ability to recognize, interpret, and reason across visual, acoustic, and textual inputs simultaneously. We define models capable of such tri-modal processing as omni-language models (OLMs). OmniBench is distinguished by high-quality human annotations, ensuring that accurate responses require integrated understanding and reasoning across all three modalities. Our main findings reveal that: i) open-source OLMs exhibit critical limitations in instruction-following and reasoning capabilities within tri-modal contexts; and ii) the baseline models perform poorly (below 50% accuracy) even when provided with alternative textual representations of images and audio. These results suggest that the ability to construct a consistent context from text, image, and audio is often overlooked in existing MLLM training paradigms. We advocate for future research to focus on developing more robust tri-modal integration techniques and training strategies to enhance OLM performance across diverse modalities. The codes and live leaderboard could be found at https://m-a-p.ai/OmniBench.