Расширение границ производительности мульти-модельных моделей с открытым исходным кодом с помощью масштабирования модели, данных и времени тестирования.

Expanding Performance Boundaries of Open-Source Multimodal Models with Model, Data, and Test-Time Scaling

December 6, 2024

Авторы: Zhe Chen, Weiyun Wang, Yue Cao, Yangzhou Liu, Zhangwei Gao, Erfei Cui, Jinguo Zhu, Shenglong Ye, Hao Tian, Zhaoyang Liu, Lixin Gu, Xuehui Wang, Qingyun Li, Yimin Ren, Zixuan Chen, Jiapeng Luo, Jiahao Wang, Tan Jiang, Bo Wang, Conghui He, Botian Shi, Xingcheng Zhang, Han Lv, Yi Wang, Wenqi Shao, Pei Chu, Zhongying Tu, Tong He, Zhiyong Wu, Huipeng Deng, Jiaye Ge, Kai Chen, Min Dou, Lewei Lu, Xizhou Zhu, Tong Lu, Dahua Lin, Yu Qiao, Jifeng Dai, Wenhai Wang

cs.AI

Аннотация

Мы представляем InternVL 2.5 - передовую серию мультимодальных крупных языковых моделей (MLLM), основанную на InternVL 2.0, сохраняющую ее основную архитектуру модели и внедряющую значительные улучшения в стратегии обучения и тестирования, а также в качестве данных. В данной работе мы глубоко исследуем взаимосвязь между масштабированием модели и производительностью, систематически изучая тенденции производительности в области визуальных кодировщиков, языковых моделей, размеров наборов данных и конфигураций времени тестирования. Проведя обширные оценки на широком спектре бенчмарков, включая междисциплинарное рассуждение, понимание документов, мультиизображения/видеопонимание, понимание реального мира, обнаружение мультимодальных галлюцинаций, визуальное привязывание, мультиязычные возможности и чистую обработку языка, InternVL 2.5 демонстрирует конкурентоспособную производительность, не уступая ведущим коммерческим моделям, таким как GPT-4o и Claude-3.5-Sonnet. Значительно, наша модель является первой открытой мультимодальной MLLM, превосходящей 70% на бенчмарке MMMU, достигая улучшения на 3,7 пункта благодаря рассуждениям Chain-of-Thought (CoT) и демонстрируя сильный потенциал для масштабирования во время тестирования. Мы надеемся, что эта модель внесет вклад в сообщество с открытым исходным кодом, устанавливая новые стандарты для разработки и применения мультимодальных систем искусственного интеллекта. Демонстрация HuggingFace см. по ссылке https://huggingface.co/spaces/OpenGVLab/InternVL

English

We introduce InternVL 2.5, an advanced multimodal large language model (MLLM) series that builds upon InternVL 2.0, maintaining its core model architecture while introducing significant enhancements in training and testing strategies as well as data quality. In this work, we delve into the relationship between model scaling and performance, systematically exploring the performance trends in vision encoders, language models, dataset sizes, and test-time configurations. Through extensive evaluations on a wide range of benchmarks, including multi-discipline reasoning, document understanding, multi-image / video understanding, real-world comprehension, multimodal hallucination detection, visual grounding, multilingual capabilities, and pure language processing, InternVL 2.5 exhibits competitive performance, rivaling leading commercial models such as GPT-4o and Claude-3.5-Sonnet. Notably, our model is the first open-source MLLMs to surpass 70% on the MMMU benchmark, achieving a 3.7-point improvement through Chain-of-Thought (CoT) reasoning and showcasing strong potential for test-time scaling. We hope this model contributes to the open-source community by setting new standards for developing and applying multimodal AI systems. HuggingFace demo see https://huggingface.co/spaces/OpenGVLab/InternVL