CogVLM: Визуальный эксперт для предобученных языковых моделей

CogVLM: Visual Expert for Pretrained Language Models

November 6, 2023

Авторы: Weihan Wang, Qingsong Lv, Wenmeng Yu, Wenyi Hong, Ji Qi, Yan Wang, Junhui Ji, Zhuoyi Yang, Lei Zhao, Xixuan Song, Jiazheng Xu, Bin Xu, Juanzi Li, Yuxiao Dong, Ming Ding, Jie Tang

cs.AI

Аннотация

Мы представляем CogVLM — мощную открытую модель-основу для обработки визуальной и языковой информации. В отличие от популярного метода поверхностного согласования, который отображает визуальные признаки во входное пространство языковой модели, CogVLM устраняет разрыв между замороженной предобученной языковой моделью и кодировщиком изображений с помощью обучаемого модуля визуального эксперта в слоях внимания и FFN. В результате CogVLM обеспечивает глубокое слияние визуальных и языковых признаков без ущерба для производительности в задачах обработки естественного языка. CogVLM-17B демонстрирует наилучшие результаты на 10 классических кросс-модальных тестах, включая NoCaps, Flicker30k captioning, RefCOCO, RefCOCO+, RefCOCOg, Visual7W, GQA, ScienceQA, VizWiz VQA и TDIUC, а также занимает второе место на VQAv2, OKVQA, TextVQA, COCO captioning и других, превосходя или сравниваясь с PaLI-X 55B. Код и контрольные точки доступны по адресу https://github.com/THUDM/CogVLM.

English

We introduce CogVLM, a powerful open-source visual language foundation model. Different from the popular shallow alignment method which maps image features into the input space of language model, CogVLM bridges the gap between the frozen pretrained language model and image encoder by a trainable visual expert module in the attention and FFN layers. As a result, CogVLM enables deep fusion of vision language features without sacrificing any performance on NLP tasks. CogVLM-17B achieves state-of-the-art performance on 10 classic cross-modal benchmarks, including NoCaps, Flicker30k captioning, RefCOCO, RefCOCO+, RefCOCOg, Visual7W, GQA, ScienceQA, VizWiz VQA and TDIUC, and ranks the 2nd on VQAv2, OKVQA, TextVQA, COCO captioning, etc., surpassing or matching PaLI-X 55B. Codes and checkpoints are available at https://github.com/THUDM/CogVLM.