Песочница Data-Juicer: Комплексный набор инструментов для совместной разработки мультимодальных данных и моделей.

Data-Juicer Sandbox: A Comprehensive Suite for Multimodal Data-Model Co-development

July 16, 2024

Авторы: Daoyuan Chen, Haibin Wang, Yilun Huang, Ce Ge, Yaliang Li, Bolin Ding, Jingren Zhou

cs.AI

Аннотация

Появление масштабных мультимодальных генеративных моделей резко продвинуло искусственный интеллект, вводя беспрецедентные уровни производительности и функциональности. Однако оптимизация этих моделей остается сложной из-за исторически изолированных путей развития, ориентированных на модель и данные, что приводит к неоптимальным результатам и неэффективному использованию ресурсов. В ответ на это мы представляем новый набор инструментов, разработанный для интегрированного совместного развития данных и моделей. Этот набор инструментов предоставляет комплексную экспериментальную платформу, обеспечивая быструю итерацию и улучшение как данных, так и моделей на основе полученных инсайтов. Наш предложенный рабочий процесс "Исследование-Анализ-Улучшение", подтвержденный приложениями на современных моделях типа LLaVA и DiT, приводит к значительному увеличению производительности, включая лидерство в рейтинге VBench. Мы также обнаружили ценные идеи, полученные из исчерпывающих тестов, проливающие свет на важное взаимодействие между качеством данных, их разнообразием и поведением модели. В надежде на углубленное понимание и будущий прогресс в области мультимодальных данных и генеративного моделирования наши коды, наборы данных и модели поддерживаются и доступны по адресу https://github.com/modelscope/data-juicer/blob/main/docs/Sandbox.md.

English

The emergence of large-scale multi-modal generative models has drastically advanced artificial intelligence, introducing unprecedented levels of performance and functionality. However, optimizing these models remains challenging due to historically isolated paths of model-centric and data-centric developments, leading to suboptimal outcomes and inefficient resource utilization. In response, we present a novel sandbox suite tailored for integrated data-model co-development. This sandbox provides a comprehensive experimental platform, enabling rapid iteration and insight-driven refinement of both data and models. Our proposed "Probe-Analyze-Refine" workflow, validated through applications on state-of-the-art LLaVA-like and DiT based models, yields significant performance boosts, such as topping the VBench leaderboard. We also uncover fruitful insights gleaned from exhaustive benchmarks, shedding light on the critical interplay between data quality, diversity, and model behavior. With the hope of fostering deeper understanding and future progress in multi-modal data and generative modeling, our codes, datasets, and models are maintained and accessible at https://github.com/modelscope/data-juicer/blob/main/docs/Sandbox.md.