CogVLM2: Визуально-языковые модели для понимания изображений и видео

CogVLM2: Visual Language Models for Image and Video Understanding

August 29, 2024

Авторы: Wenyi Hong, Weihan Wang, Ming Ding, Wenmeng Yu, Qingsong Lv, Yan Wang, Yean Cheng, Shiyu Huang, Junhui Ji, Zhao Xue, Lei Zhao, Zhuoyi Yang, Xiaotao Gu, Xiaohan Zhang, Guanyu Feng, Da Yin, Zihan Wang, Ji Qi, Xixuan Song, Peng Zhang, Debing Liu, Bin Xu, Juanzi Li, Yuxiao Dong, Jie Tang

cs.AI

Аннотация

Начиная с VisualGLM и CogVLM, мы продолжаем исследовать визуально-языковые модели (VLMs) с целью улучшения слияния зрения и языка, создания эффективных архитектур для работы с высоким разрешением и расширения модальностей и областей применения. Здесь мы представляем семейство CogVLM2 — новое поколение визуально-языковых моделей для понимания изображений и видео, включая CogVLM2, CogVLM2-Video и GLM-4V. Как модель для понимания изображений, CogVLM2 наследует архитектуру визуального эксперта с улучшенными методами обучения на этапах предварительной и последующей подготовки, поддерживая входное разрешение до 1344×1344 пикселей. Как модель для понимания видео, CogVLM2-Video интегрирует многокадровый ввод с временными метками и предлагает автоматизированное построение данных для временной привязки. Примечательно, что семейство CogVLM2 достигло наилучших результатов на бенчмарках, таких как MMBench, MM-Vet, TextVQA, MVBench и VCGBench. Все модели доступны в открытом доступе на https://github.com/THUDM/CogVLM2 и https://github.com/THUDM/GLM-4, способствуя развитию области.

English

Beginning with VisualGLM and CogVLM, we are continuously exploring VLMs in pursuit of enhanced vision-language fusion, efficient higher-resolution architecture, and broader modalities and applications. Here we propose the CogVLM2 family, a new generation of visual language models for image and video understanding including CogVLM2, CogVLM2-Video and GLM-4V. As an image understanding model, CogVLM2 inherits the visual expert architecture with improved training recipes in both pre-training and post-training stages, supporting input resolution up to 1344 times 1344 pixels. As a video understanding model, CogVLM2-Video integrates multi-frame input with timestamps and proposes automated temporal grounding data construction. Notably, CogVLM2 family has achieved state-of-the-art results on benchmarks like MMBench, MM-Vet, TextVQA, MVBench and VCGBench. All models are open-sourced in https://github.com/THUDM/CogVLM2 and https://github.com/THUDM/GLM-4, contributing to the advancement of the field.