抱抱臉團(tuán)隊（HF）發(fā)布多模態(tài)大模型Idefics2，8B參數(shù) 原創(chuàng)

發(fā)布于 2024-4-18 10:35

瀏覽

0收藏

近日，抱抱臉團(tuán)隊（HF）發(fā)布Idefics2，一個通用的多模態(tài)大模型，可以接受任意文本和圖像序列作為輸入，并生成文本響應(yīng)。它可以回答關(guān)于圖像的問題，描述視覺內(nèi)容，創(chuàng)建基于多個圖像的故事，從文檔中提取信息，并執(zhí)行基本算術(shù)運(yùn)算。Idefics2改進(jìn)了Idefics1：具有8B參數(shù)、開放許可（Apache 2.0）和增強(qiáng)的OCR（光學(xué)字符識別）功能，Idefics2是多模態(tài)工作社區(qū)的堅實基礎(chǔ)。它在視覺問答基準(zhǔn)上的表現(xiàn)居于同類模型的前列，并與LLava-Next-34B和MM1-30B-chat等更大的模型競爭。

抱抱臉團(tuán)隊（HF）發(fā)布多模態(tài)大模型Idefics2，8B參數(shù)-AI.x社區(qū)

訓(xùn)練數(shù)據(jù)

Idefics2在預(yù)訓(xùn)練過程中使用了一系列公開可用數(shù)據(jù)集進(jìn)行訓(xùn)練：交錯的網(wǎng)頁文檔（維基百科、OBELICS）、圖像-標(biāo)題對（公共多模態(tài)數(shù)據(jù)集、LAION-COCO）、OCR數(shù)據(jù)（PDFA（英文）、IDL和渲染文本）以及圖像到代碼數(shù)據(jù)（WebSight）。交互式可視化允許探索OBELICS數(shù)據(jù)集。根據(jù)基礎(chǔ)模型社區(qū)的通行做法，HF進(jìn)一步對基礎(chǔ)模型進(jìn)行了面向任務(wù)的訓(xùn)練。然而，這些數(shù)據(jù)通常是以不同的格式存在，并分散在各個地方。對于社區(qū)來說，收集這些數(shù)據(jù)是一個障礙。為了解決這個問題，HF發(fā)布了一直在準(zhǔn)備的多模態(tài)指令微調(diào)數(shù)據(jù)集：Cauldron，這是一個開放的、由50個手動策劃的數(shù)據(jù)集的合集，格式化為多輪對話。HF使用The Cauldron和各種文本微調(diào)數(shù)據(jù)集的串聯(lián)來對Idefics2進(jìn)行了指令微調(diào)。

改進(jìn)

HF按照NaViT策略處理圖像的原生分辨率（高達(dá)980 x 980）和原生寬高比。這樣就避免了將圖像調(diào)整為固定大小的正方形的需要，因為這在計算機(jī)視覺界一直是歷史性的做法。此外，HF遵循了SPHINX的策略，并（可選地）允許子圖像分割和傳遞非常大分辨率的圖像。
通過整合需要模型轉(zhuǎn)錄圖像或文檔中的文本的數(shù)據(jù)，顯著增強(qiáng)了OCR功能。我們還通過適當(dāng)?shù)挠?xùn)練數(shù)據(jù)，改進(jìn)了在圖表、圖形和文檔上回答問題的能力。
摒棄了Idefics1的架構(gòu)（門控交叉關(guān)注）并簡化了將視覺特征整合到語言骨干中的過程。圖像被輸入到視覺編碼器中，然后是一個學(xué)習(xí)的Perceiver池化和一個MLP模態(tài)投影。然后將這個池化序列與文本嵌入拼接起來，得到一個（交錯的）圖像和文本序列。

所有這些改進(jìn)加上更好的預(yù)訓(xùn)練骨干，使性能大幅提高，而模型的大小只增加了10倍。

抱抱臉團(tuán)隊（HF）發(fā)布多模態(tài)大模型Idefics2，8B參數(shù)-AI.x社區(qū)