PaLI-X: О масштабировании многоязычной модели для обработки изображений и текста
PaLI-X: On Scaling up a Multilingual Vision and Language Model
May 29, 2023
Авторы: Xi Chen, Josip Djolonga, Piotr Padlewski, Basil Mustafa, Soravit Changpinyo, Jialin Wu, Carlos Riquelme Ruiz, Sebastian Goodman, Xiao Wang, Yi Tay, Siamak Shakeri, Mostafa Dehghani, Daniel Salz, Mario Lucic, Michael Tschannen, Arsha Nagrani, Hexiang Hu, Mandar Joshi, Bo Pang, Ceslee Montgomery, Paulina Pietrzyk, Marvin Ritter, AJ Piergiovanni, Matthias Minderer, Filip Pavetic, Austin Waters, Gang Li, Ibrahim Alabdulmohsin, Lucas Beyer, Julien Amelot, Kenton Lee, Andreas Peter Steiner, Yang Li, Daniel Keysers, Anurag Arnab, Yuanzhong Xu, Keran Rong, Alexander Kolesnikov, Mojtaba Seyedhosseini, Anelia Angelova, Xiaohua Zhai, Neil Houlsby, Radu Soricut
cs.AI
Аннотация
Мы представляем методику обучения и результаты масштабирования модели PaLI-X, мультиязычной модели для обработки изображений и текста, как в плане размера компонентов, так и в плане разнообразия смеси обучающих задач. Наша модель достигает новых уровней производительности на широком спектре разнообразных и сложных задач, включая создание описаний и ответы на вопросы на основе изображений, понимание документов на основе изображений и обучение с малым количеством примеров (в контексте), а также обнаружение объектов, ответы на вопросы по видео и создание описаний видео. PaLI-X устанавливает новый уровень на большинстве рассмотренных бенчмарков для задач обработки изображений и текста (более 25). Наконец, мы наблюдаем появление новых способностей, таких как сложный подсчет и мультиязычное обнаружение объектов, задач, которые явно не включены в обучающую смесь.
English
We present the training recipe and results of scaling up PaLI-X, a
multilingual vision and language model, both in terms of size of the components
and the breadth of its training task mixture. Our model achieves new levels of
performance on a wide-range of varied and complex tasks, including multiple
image-based captioning and question-answering tasks, image-based document
understanding and few-shot (in-context) learning, as well as object detection,
video question answering, and video captioning. PaLI-X advances the
state-of-the-art on most vision-and-language benchmarks considered (25+ of
them). Finally, we observe emerging capabilities, such as complex counting and
multilingual object detection, tasks that are not explicitly in the training
mix.