VARGPT-v1.1: Улучшение визуальной авторегрессионной крупной унифицированной модели с помощью итеративной настройки инструкций и обучения с подкреплением

VARGPT-v1.1: Improve Visual Autoregressive Large Unified Model via Iterative Instruction Tuning and Reinforcement Learning

April 3, 2025

Авторы: Xianwei Zhuang, Yuxin Xie, Yufan Deng, Dongchao Yang, Liming Liang, Jinghan Ru, Yuguo Yin, Yuexian Zou

cs.AI

Аннотация

В данной работе мы представляем VARGPT-v1.1 — усовершенствованную унифицированную визуальную авторегрессионную модель, которая развивает наш предыдущий фреймворк VARGPT. Модель сохраняет двойную парадигму: предсказание следующего токена для визуального понимания и генерация следующего масштаба для синтеза изображений. В частности, VARGPT-v1.1 включает: (1) новую стратегию обучения, сочетающую итеративную настройку визуальных инструкций с обучением с подкреплением через оптимизацию прямых предпочтений (DPO), (2) расширенный обучающий корпус, содержащий 8,3 миллиона визуально-генеративных пар инструкций, (3) обновленную языковую модель на основе Qwen2, (4) улучшенное разрешение генерации изображений и (5) новые возможности редактирования изображений без изменений архитектуры. Эти усовершенствования позволяют VARGPT-v1.1 достичь наилучших результатов в задачах мультимодального понимания и выполнения текстово-визуальных инструкций, демонстрируя значительные улучшения как в метриках понимания, так и генерации. Примечательно, что благодаря настройке визуальных инструкций модель приобретает функциональность редактирования изображений, сохраняя архитектурную согласованность с предшественником, что раскрывает потенциал для унифицированного визуального понимания, генерации и редактирования. Наши результаты показывают, что хорошо спроектированные унифицированные визуальные авторегрессионные модели могут эффективно адаптировать гибкие стратегии обучения из крупных языковых моделей (LLM), демонстрируя перспективную масштабируемость. Код и веса модели доступны по адресу: https://github.com/VARGPT-family/VARGPT-v1.1.

English

In this work, we present VARGPT-v1.1, an advanced unified visual autoregressive model that builds upon our previous framework VARGPT. The model preserves the dual paradigm of next-token prediction for visual understanding and next-scale generation for image synthesis. Specifically, VARGPT-v1.1 integrates: (1) a novel training strategy combining iterative visual instruction tuning with reinforcement learning through Direct Preference Optimization (DPO), (2) an expanded training corpus containing 8.3M visual-generative instruction pairs, (3) an upgraded language model backbone using Qwen2, (4) enhanced image generation resolution, and (5) emergent image editing capabilities without architectural modifications. These advancements enable VARGPT-v1.1 to achieve state-of-the-art performance in multimodal understanding and text-to-image instruction-following tasks, demonstrating significant improvements in both comprehension and generation metrics. Notably, through visual instruction tuning, the model acquires image editing functionality while maintaining architectural consistency with its predecessor, revealing the potential for unified visual understanding, generation, and editing. Our findings suggest that well-designed unified visual autoregressive models can effectively adopt flexible training strategies from large language models (LLMs), exhibiting promising scalability. The codebase and model weights are publicly available at https://github.com/VARGPT-family/VARGPT-v1.1.