SPHINX-X: Масштабирование данных и параметров для семейства мультимодальных больших языковых моделей
SPHINX-X: Scaling Data and Parameters for a Family of Multi-modal Large Language Models
February 8, 2024
Авторы: Peng Gao, Renrui Zhang, Chris Liu, Longtian Qiu, Siyuan Huang, Weifeng Lin, Shitian Zhao, Shijie Geng, Ziyi Lin, Peng Jin, Kaipeng Zhang, Wenqi Shao, Chao Xu, Conghui He, Junjun He, Hao Shao, Pan Lu, Hongsheng Li, Yu Qiao
cs.AI
Аннотация
Мы представляем SPHINX-X, расширенную серию мультимодальных больших языковых моделей (MLLM), разработанную на основе SPHINX. Для повышения эффективности архитектуры и обучения мы модифицируем фреймворк SPHINX, удаляя избыточные визуальные кодировщики, пропуская полностью заполненные суб-изображения с помощью токенов пропуска и упрощая многоэтапное обучение до одноэтапной всеобъемлющей парадигмы. Чтобы полностью раскрыть потенциал MLLM, мы собираем всеобъемлющий мультидоменный и мультимодальный набор данных, охватывающий общедоступные ресурсы в области языка, зрения и задач, связанных с обработкой визуально-языковой информации. Мы дополнительно обогащаем эту коллекцию нашими специально подготовленными наборами данных, ориентированными на OCR и Set-of-Mark, расширяя их разнообразие и универсальность. Обучая модели на различных базовых LLM, включая TinyLlama1.1B, InternLM2-7B, LLaMA2-13B и Mixtral8x7B, мы получаем спектр MLLM, различающихся по размеру параметров и мультиязычным возможностям. Комплексное тестирование выявляет сильную корреляцию между мультимодальной производительностью и масштабами данных и параметров. Код и модели доступны по адресу https://github.com/Alpha-VLLM/LLaMA2-Accessory.
English
We propose SPHINX-X, an extensive Multimodality Large Language Model (MLLM)
series developed upon SPHINX. To improve the architecture and training
efficiency, we modify the SPHINX framework by removing redundant visual
encoders, bypassing fully-padded sub-images with skip tokens, and simplifying
multi-stage training into a one-stage all-in-one paradigm. To fully unleash the
potential of MLLMs, we assemble a comprehensive multi-domain and multimodal
dataset covering publicly available resources in language, vision, and
vision-language tasks. We further enrich this collection with our curated OCR
intensive and Set-of-Mark datasets, extending the diversity and generality. By
training over different base LLMs including TinyLlama1.1B, InternLM2-7B,
LLaMA2-13B, and Mixtral8x7B, we obtain a spectrum of MLLMs that vary in
parameter size and multilingual capabilities. Comprehensive benchmarking
reveals a strong correlation between the multi-modal performance with the data
and parameter scales. Code and models are released at
https://github.com/Alpha-VLLM/LLaMA2-Accessory