Графовое рассуждение: передача возможностей от LLM к VLM.

Chart-based Reasoning: Transferring Capabilities from LLMs to VLMs

March 19, 2024

Авторы: Victor Carbune, Hassan Mansoor, Fangyu Liu, Rahul Aralikatte, Gilles Baechler, Jindong Chen, Abhanshu Sharma

cs.AI

Аннотация

Модели видео-языка (VLM) все чаще достигают высокой производительности в мультимодальных задачах. Однако способности к рассуждениям остаются ограниченными, особенно для небольших VLM, в то время как у моделей большого языка (LLM) были замечены многочисленные улучшения. Мы предлагаем технику передачи возможностей от LLM к VLM. На недавно представленном ChartQA наш метод достигает передовой производительности при применении к VLM PaLI3-5B от chen2023pali3, а также обеспечивает значительно лучшую производительность на PlotQA и FigureQA. Сначала мы улучшаем представление диаграмм, продолжая этап предварительного обучения с использованием улучшенной версии задачи перевода диаграмм в таблицы от liu2023deplot. Затем мы предлагаем создание набора данных в 20 раз большего объема, чем оригинальный тренировочный набор. Для улучшения общих способностей к рассуждениям и выполнения числовых операций мы синтезируем следы рассуждений, используя таблицы в качестве представления диаграмм. Наконец, нашу модель донастраивают с использованием мультизадачной функции потерь, представленной hsieh2023distilling. Наш вариант ChartPaLI-5B превосходит даже модели в 10 раз большего размера, такие как PaLIX-55B, без использования предварительной системы OCR, при сохранении постоянного времени вывода по сравнению с базовой моделью PaLI3-5B. Когда обоснования дополнительно уточняются с помощью простого подсказывающего программного кода chen2023program, наша модель превосходит недавно представленные Gemini Ultra и GPT-4V.

English

Vision-language models (VLMs) are achieving increasingly strong performance on multimodal tasks. However, reasoning capabilities remain limited particularly for smaller VLMs, while those of large-language models (LLMs) have seen numerous improvements. We propose a technique to transfer capabilities from LLMs to VLMs. On the recently introduced ChartQA, our method obtains state-of-the-art performance when applied on the PaLI3-5B VLM by chen2023pali3, while also enabling much better performance on PlotQA and FigureQA. We first improve the chart representation by continuing the pre-training stage using an improved version of the chart-to-table translation task by liu2023deplot. We then propose constructing a 20x larger dataset than the original training set. To improve general reasoning capabilities and improve numerical operations, we synthesize reasoning traces using the table representation of charts. Lastly, our model is fine-tuned using the multitask loss introduced by hsieh2023distilling. Our variant ChartPaLI-5B outperforms even 10x larger models such as PaLIX-55B without using an upstream OCR system, while keeping inference time constant compared to the PaLI3-5B baseline. When rationales are further refined with a simple program-of-thought prompt chen2023program, our model outperforms the recently introduced Gemini Ultra and GPT-4V.