Трансфузия: предсказание следующего токена и диффузия изображений с помощью одной мультимодальной модели

Transfusion: Predict the Next Token and Diffuse Images with One Multi-Modal Model

August 20, 2024

Авторы: Chunting Zhou, Lili Yu, Arun Babu, Kushal Tirumala, Michihiro Yasunaga, Leonid Shamis, Jacob Kahn, Xuezhe Ma, Luke Zettlemoyer, Omer Levy

cs.AI

Аннотация

Мы представляем Transfusion, рецепт для обучения мультимодельной модели на дискретных и непрерывных данных. Transfusion объединяет функцию потерь моделирования языка (предсказание следующего токена) с диффузией для обучения одного трансформера на смешанных последовательностях модальностей. Мы предварительно обучаем несколько моделей Transfusion до 7 миллиардов параметров с нуля на смеси текстовых и изображений, устанавливая законы масштабирования относительно различных уни- и кросс-модальных бенчмарков. Наши эксперименты показывают, что Transfusion значительно лучше масштабируется, чем квантование изображений и обучение языковой модели на дискретных изображенных токенах. Введя модальностно-специфические слои кодирования и декодирования, мы можем дополнительно улучшить производительность моделей Transfusion и даже сжать каждое изображение всего до 16 патчей. Мы также демонстрируем, что масштабирование нашего рецепта Transfusion до 7 миллиардов параметров и 2 триллионов мультимодальных токенов производит модель, способную генерировать изображения и текст на уровне с аналогичными моделями диффузии и языка масштаба, получая преимущества обоих миров.

English

We introduce Transfusion, a recipe for training a multi-modal model over discrete and continuous data. Transfusion combines the language modeling loss function (next token prediction) with diffusion to train a single transformer over mixed-modality sequences. We pretrain multiple Transfusion models up to 7B parameters from scratch on a mixture of text and image data, establishing scaling laws with respect to a variety of uni- and cross-modal benchmarks. Our experiments show that Transfusion scales significantly better than quantizing images and training a language model over discrete image tokens. By introducing modality-specific encoding and decoding layers, we can further improve the performance of Transfusion models, and even compress each image to just 16 patches. We further demonstrate that scaling our Transfusion recipe to 7B parameters and 2T multi-modal tokens produces a model that can generate images and text on a par with similar scale diffusion models and language models, reaping the benefits of both worlds.