Molmo и PixMo: открытые веса и открытые данные для мультимодельных моделей новейшего поколения

Molmo and PixMo: Open Weights and Open Data for State-of-the-Art Multimodal Models

September 25, 2024

Авторы: Matt Deitke, Christopher Clark, Sangho Lee, Rohun Tripathi, Yue Yang, Jae Sung Park, Mohammadreza Salehi, Niklas Muennighoff, Kyle Lo, Luca Soldaini, Jiasen Lu, Taira Anderson, Erin Bransom, Kiana Ehsani, Huong Ngo, YenSung Chen, Ajay Patel, Mark Yatskar, Chris Callison-Burch, Andrew Head, Rose Hendrix, Favyen Bastani, Eli VanderBilt, Nathan Lambert, Yvonne Chou, Arnavi Chheda, Jenna Sparks, Sam Skjonsberg, Michael Schmitz, Aaron Sarnat, Byron Bischoff, Pete Walsh, Chris Newell, Piper Wolters, Tanmay Gupta, Kuo-Hao Zeng, Jon Borchardt, Dirk Groeneveld, Jen Dumas, Crystal Nam, Sophie Lebrecht, Caitlin Wittlif, Carissa Schoenick, Oscar Michel, Ranjay Krishna, Luca Weihs, Noah A. Smith, Hannaneh Hajishirzi, Ross Girshick, Ali Farhadi, Aniruddha Kembhavi

cs.AI

Аннотация

Сегодняшние самые передовые мультимодальные модели остаются собственностью. Самые мощные модели с открытым весом тесно зависят от синтетических данных от собственных VLM для достижения хорошей производительности, эффективно дистиллируя эти закрытые модели в открытые. В результате сообществу по-прежнему не хватает фундаментальных знаний о том, как создавать производительные VLM с нуля. Мы представляем Molmo, новое семейство VLM, которые являются передовыми в своем классе открытости. Нашим ключевым новшеством является новый, высокодетализированный набор данных для описания изображений, собранный исключительно от человеческих аннотаторов с использованием описаний на основе речи. Для обеспечения широкого спектра пользовательских взаимодействий мы также представляем разнообразный набор данных для донастройки, который включает в себя Q&A на природе и инновационные данные указания в 2D. Успех нашего подхода зависит от тщательного выбора деталей архитектуры модели, хорошо настроенного процесса обучения и, что самое критическое, качества наших недавно собранных наборов данных, все из которых будут опубликованы. Лучшая модель 72B в семействе Molmo не только превосходит другие в классе моделей с открытым весом и данными, но также сравнима с собственными системами, такими как GPT-4o, Claude 3.5 и Gemini 1.5, как по академическим бенчмаркам, так и по оценке людей. Мы планируем скоро опубликовать все веса нашей модели, данные для подписей и донастройки, а также исходный код. Некоторые веса модели, код вывода и демонстрация доступны на https://molmo.allenai.org.

English

Today's most advanced multimodal models remain proprietary. The strongest open-weight models rely heavily on synthetic data from proprietary VLMs to achieve good performance, effectively distilling these closed models into open ones. As a result, the community is still missing foundational knowledge about how to build performant VLMs from scratch. We present Molmo, a new family of VLMs that are state-of-the-art in their class of openness. Our key innovation is a novel, highly detailed image caption dataset collected entirely from human annotators using speech-based descriptions. To enable a wide array of user interactions, we also introduce a diverse dataset mixture for fine-tuning that includes in-the-wild Q&A and innovative 2D pointing data. The success of our approach relies on careful choices for the model architecture details, a well-tuned training pipeline, and, most critically, the quality of our newly collected datasets, all of which will be released. The best-in-class 72B model within the Molmo family not only outperforms others in the class of open weight and data models but also compares favorably against proprietary systems like GPT-4o, Claude 3.5, and Gemini 1.5 on both academic benchmarks and human evaluation. We will be releasing all of our model weights, captioning and fine-tuning data, and source code in the near future. Select model weights, inference code, and demo are available at https://molmo.allenai.org.