Масштабирование предварительного обучения до ста миллиардов данных для моделей видео-языка.

Scaling Pre-training to One Hundred Billion Data for Vision Language Models

February 11, 2025

Авторы: Xiao Wang, Ibrahim Alabdulmohsin, Daniel Salz, Zhe Li, Keran Rong, Xiaohua Zhai

cs.AI

Аннотация

Мы проводим эмпирическое исследование потенциала предварительного обучения моделей видео-языкового восприятия в масштабах, ранее не встречавшихся: 100 миллиардов примеров. Мы обнаружили, что производительность модели имеет тенденцию к насыщению на этом масштабе на многих распространенных классификационных и поисковых бенчмарках, таких как COCO Captions. Тем не менее, задачи культурного разнообразия достигают более существенных улучшений благодаря веб-данным масштаба 100 миллиардов, за счет охвата уникальных концепций. Кроме того, мы анализируем мультиязычность модели и показываем улучшения в языках с ограниченными ресурсами. Кроме того, мы замечаем, что уменьшение размера набора данных для предварительного обучения с помощью фильтров качества, таких как использование CLIP, обычно применяемых для улучшения производительности, может нежелательно снизить культурное разнообразие, представленное даже в крупномасштабных наборах данных. Наши результаты подчеркивают, что в то время как традиционные бенчмарки могут не получить значительной выгоды от масштабирования шумных, необработанных веб-данных до 100 миллиардов примеров, этот масштаб данных важен для создания по-настоящему инклюзивных мультимодальных систем.

English

We provide an empirical investigation of the potential of pre-training vision-language models on an unprecedented scale: 100 billion examples. We find that model performance tends to saturate at this scale on many common Western-centric classification and retrieval benchmarks, such as COCO Captions. Nevertheless, tasks of cultural diversity achieve more substantial gains from the 100-billion scale web data, thanks to its coverage of long-tail concepts. Furthermore, we analyze the model's multilinguality and show gains in low-resource languages as well. In addition, we observe that reducing the size of the pretraining dataset via quality filters like using CLIP, typically used to enhance performance, may inadvertently reduce the cultural diversity represented even in large-scale datasets. Our results highlight that while traditional benchmarks may not benefit significantly from scaling noisy, raw web data to 100 billion examples, this data scale is vital for building truly inclusive multimodal systems.