Der multimodale große 8B-Text-Index ähnelt GPT4V. Byte, Huashan und Huake haben gemeinsam TextSquare vorgeschlagen

Die AIxiv-Kolumne ist eine Kolumne, in der diese Website akademische und technische Inhalte veröffentlicht. In den letzten Jahren sind in der AIxiv-Kolumne dieser Website mehr als 2.000 Berichte eingegangen, die Spitzenlabore großer Universitäten und Unternehmen auf der ganzen Welt abdecken und so den akademischen Austausch und die Verbreitung wirksam fördern. Wenn Sie hervorragende Arbeiten haben, die Sie teilen möchten, reichen Sie bitte einen Artikel ein oder wenden Sie sich an die Berichts-E-Mail-Adresse. E-Mail-Adresse: liyazhou@jiqizhixin.com; zhaoyunfeng@jiqizhixin.com.

In letzter Zeit haben multimodale große Modelle (MLLM) erhebliche Fortschritte im Bereich der textzentrierten VQA gemacht, insbesondere mehrere Closed-Source-Modelle wie GPT4V und Gemini, die in einigen Aspekten sogar eine übermenschliche Leistung zeigen der Fähigkeit. Die Leistung von Open-Source-Modellen liegt jedoch immer noch weit hinter Closed-Source-Modellen. In letzter Zeit haben viele bahnbrechende Studien, wie zum Beispiel: MonKey, LLaVAR, TG-Doc, ShareGPT4V usw., begonnen, sich auf das Problem unzureichender Anweisungen zu konzentrieren. Tuning-Daten. Obwohl diese Bemühungen bemerkenswerte Ergebnisse erzielt haben, gibt es immer noch einige Probleme, da Bildbeschreibungsdaten und VQA-Daten unterschiedlichen Domänen angehören, und es gibt Inkonsistenzen in der Granularität und dem Umfang der Darstellung von Bildinhalten. Darüber hinaus verhindert die relativ geringe Größe synthetischer Daten, dass MLLM sein volles Potenzial ausschöpfen kann.

• Papiertitel: TextSquare: Scaling up Text-Centric Visual Instruction Tuning

• Papieradresse: https://arxiv.org/abs/2404.12803

Um dies zu reduzieren

VQA-Datengenerierung

Square+ Strategiemethode umfasst vier Schritte: Selbstbefragung, Antwort, Begründung und Selbstbewertung. Die Selbstbefragung nutzt die Fähigkeiten von MLLM zur Text-Bild-Analyse und zum Verstehen, um Fragen im Zusammenhang mit dem Textinhalt im Bild zu generieren. Self-Answering liefert Antworten auf diese Fragen mithilfe verschiedener Aufforderungstechniken wie CoT und Few-Shot. Self-Reasoning nutzt die leistungsstarken Argumentationsfunktionen von MLLMs, um den Argumentationsprozess hinter dem Modell zu generieren. Die Selbstbewertung verbessert die Datenqualität und reduziert Verzerrungen, indem Fragen auf Gültigkeit, Relevanz für Bildtextinhalte und Antwortgenauigkeit bewertet werden. S Abbildung 1: Vergleich des Closed-Source- und des Open-Source-Modells von TextSquare und Advanced, und das durchschnittliche Ranking bei Benchmark für 10 Texte übertraf GPT4V (Rang 2,2 vs. 2,4). Die Forscher sammelten einen vielfältigen Satz von Bildern, die eine große Textmenge enthielten Erstellen Sie Square-10M aus verschiedenen öffentlichen Quellen, einschließlich Naturszenen, Diagrammen, Formularen, Quittungen, Büchern, PPT, PDF usw., und trainieren Sie auf der Grundlage dieses Datensatzes das auf Textverständnis ausgerichtete MLLM TextSquare-8B.

Wie in Abbildung 1 gezeigt, kann TextSquare-8B bei mehreren Benchmarks Ergebnisse erzielen, die mit GPT4V und Gemini vergleichbar oder besser sind, und übertrifft andere Open-Source-Modelle deutlich. TextSquare-Experimente bestätigten den positiven Einfluss von Inferenzdaten auf die VQA-Aufgabe und demonstrierten deren Fähigkeit, die Modellleistung zu verbessern und gleichzeitig Halluzinationen zu reduzieren.

Darüber hinaus wird durch die Nutzung großer Datensätze der Zusammenhang zwischen der Größe der Befehlsanpassungsdaten, dem Trainingskonvergenzverlust und der Modellleistung aufgedeckt. Obwohl eine kleine Menge an Befehlsanpassungsdaten MLLM gut trainieren kann, kann mit der weiteren Erweiterung der Befehlsanpassungsdaten die Leistung des Modells weiter gesteigert werden, und es gibt auch ein entsprechendes Skalierungsgesetz zwischen den Befehlsfeinabstimmungsdaten und dem Modell .合 Abbildung 2 Der Prozess der Synthese von VQA-Daten, einschließlich Datengenerierung, ANTWORTEN, Begründung und Datenfilterung Sammlung

Das Hauptziel der Datenerfassungsstrategie besteht darin, ein breites Spektrum realer, textreicher Szenarien abzudecken. Zu diesem Zweck sammelten die Forscher 3,8 Millionen textreiche Bilder. Diese Bilder weisen unterschiedliche Merkmale auf. Diagramme und Tabellen konzentrieren sich beispielsweise auf Textelemente mit dichten statistischen Informationen. PPTs, Screenshots und WebImages sind für die Interaktion zwischen Text und hervorgehobenen visuellen Informationen konzipiert mit detailliertem und dichtem Text; Straßenansichten sind von Naturszenen abgeleitet. Die gesammelten Bilder bilden eine Abbildung von Textelementen in der realen Welt und bilden die Grundlage für die Untersuchung textzentrierter VQA.

Datengenerierung

Forscher nutzen die multimodalen Verständnisfunktionen von Gemini Pro, um Bilder aus bestimmten Datenquellen auszuwählen und VQA- und Inferenzkontextpaare über drei Stufen der Selbstbefragung, Selbstbeantwortung und Selbstinferenz zu generieren.

• Selbstfrage: In dieser Phase werden einige Eingabeaufforderungen gegeben. Basierend auf diesen Eingabeaufforderungen führt Gemini Pro eine umfassende Analyse des Bildes durch und generiert auf der Grundlage des Verständnisses einige aussagekräftige Fragen. Da die Fähigkeit von allgemeinem MLLM, Textelemente zu verstehen, normalerweise schwächer ist als die von visuellen Modellen, verarbeiten wir den extrahierten Text mithilfe eines speziellen OCR-Modells zur Eingabeaufforderung vor.

• Selbstbeantwortung: Gemini Pro verwendet Chain of Thought (CoT) und Few-Shot-Prompting (Few-Shot-Prompting) sowie andere Technologien, um Fragen zu generieren, um kontextbezogene Informationen anzureichern und die Zuverlässigkeit der generierten Antworten zu verbessern.

• Selbstbegründung: In dieser Phase werden detaillierte Gründe für die Antwort generiert, wodurch Gemini Pro gezwungen wird, mehr über den Zusammenhang zwischen der Frage und den visuellen Elementen nachzudenken, wodurch Illusionen reduziert und genaue Antworten verbessert werden.

Datenfilterung

Während Selbstbefragung, Antworten und Argumentation effektiv sind, können die generierten Bild-Text-Paare mit illusorischem Inhalt, bedeutungslosen Fragen und falschen Antworten konfrontiert werden. Daher entwerfen wir Filterregeln basierend auf den Bewertungsfähigkeiten von LLM, um hochwertige VQA-Paare auszuwählen.

• Selbstbewertung fordert Gemini Pro und andere MLLMs auf, festzustellen, ob die generierten Fragen sinnvoll sind und ob die Antworten ausreichen, um das Problem richtig zu lösen.

• Multi-Prompt-Konsistenz Zusätzlich zur direkten Auswertung der generierten Inhalte fügen Forscher bei der Datengenerierung auch manuell Eingabeaufforderungen und Kontextraum hinzu. Ein korrektes und aussagekräftiges VQA-Paar sollte semantisch konsistent sein, wenn unterschiedliche Eingabeaufforderungen bereitgestellt werden.

• Multi-Kontext-Konsistenz Die Forscher verifizierten das VQA-Paar weiter, indem sie vor der Frage unterschiedliche Kontextinformationen vorbereiteten.

TextSquare-8B

TextSquare-8B basiert auf der Modellstruktur von InternLM-Xcomposer2, einschließlich des visuellen Encoders von CLIP ViT-L-14-336, und die Bildauflösung wird basierend auf weiter auf 700 erhöht InternLM2-7B-ChatSFT Großes Sprachmodell LLM; ein Brückenprojektor, der visuelle und Text-Tokens ausrichtet.

Das Training von TextSquare-8B umfasst drei SFT-Stufen:

In der ersten Stufe wird das Modell mit vollständigen Parametern (Vision Encoder, Projektor, LLM) bei einer Auflösung von 490 verfeinert.

In der zweiten Stufe wird die Eingabeauflösung auf 700 erhöht und nur der Vision Encoder wird darauf trainiert, sich an die Auflösungsänderung anzupassen.

In der dritten Stufe erfolgt die weitere Feinabstimmung der Parameter mit einer Auflösung von 700.

TextSquare bestätigt, dass basierend auf dem Square-10M-Datensatz ein Modell mit 8B-Parametern und normalgroßer Bildauflösung eine bessere Leistung bei textzentrierter VQA erzielen kann als die meisten MLLMs, sogar Closed-Source-Modelle (GPT4V, Gemini Pro).

Experimentelle Ergebnisse

Abbildung 4(a) zeigt, dass TextSquare über einfache arithmetische Funktionen verfügt. Abbildung 4(b) zeigt die Fähigkeit, Textinhalte zu verstehen und eine ungefähre Position in dichtem Text anzugeben. Abbildung 4(c) zeigt die Fähigkeit von TextSquare, Tabellenstrukturen zu verstehen.

MLLM Benchmark

• Dokumentorientierter Benchmark In der Dokumentenszene VQA Benckmark (DocVQA, ChartQA, InfographicVQA) beträgt die durchschnittliche Verbesserung 3,5 %, besser als bei allen Open-Source-Modellen, In den ChartQA-Daten liegt die Auflösung etwas höher als bei GPT4V und Gemini Pro, was kleiner ist als bei den meisten dokumentenorientierten MLLM. Wenn die Auflösung weiter verbessert wird, wird sich meines Erachtens auch die Modellleistung weiter verbessern . Monkey hat das bewiesen.

• Scene Text-centric Benchmark Der VQA-Benchmark (TextVQA, AI2D) für natürliche Szenen hat SOTA-Ergebnisse erzielt, es gibt jedoch keine wesentliche Verbesserung im Vergleich zum Basis-Xcomposer2. Dies kann daran liegen, dass Xcomposer2 qualitativ hochwertige In- Domäne Die Daten sind vollständig optimiert.

• Tabellen-VQA-Benchmark Im VQA-Benchmark (WTQ, TabFact) der Tabellenszene wurden Ergebnisse erzielt, die die von GPT4V und Gemini Pro weit übertreffen und jeweils andere SOTA-Modelle um 3 % übertreffen.

• Textzentrierter KIE-Benchmark Extrahieren Sie die Schlüsselinformationen des Textzentrums aus dem KIE-Aufgaben-Benchmark (SROIE, POIE), konvertieren Sie die KIE-Aufgabe in eine VQA-Aufgabe und erzielen Sie die beste Leistung in beiden Datensätzen mit einem durchschnittliche Verbesserung von 14,8 %.

• OCRBench Einschließlich 29 OCR-bezogener Bewertungsaufgaben wie Texterkennung, Formelerkennung, textzentriertes VQA, KIE usw. erzielte es die beste Leistung des Open-Source-Modells und wurde zum ersten 10B-Parameterwert Erreiche 600 Punkte Modell.

• Allgemeiner VQA- und Halluzinationsbewertungs-Benchmark Im Vergleich zu Xconposer2 weist TextSquare keine signifikante Verschlechterung auf und behält immer noch die beste Leistung im allgemeinen VQA-Benchmark (VizWiz VQAv2, GQA, VisWiz und POPE). signifikante Leistung, 3,6 % höher als die besten Methoden, was die Wirksamkeit der Methode bei der Linderung von Modellhalluzinationen unterstreicht.

Ablationsexperiment

TextSquare weist in jedem Benchmark eine durchschnittliche Verbesserung von 7,7 % im Vergleich zu Xcomposer2 auf.

Nach dem Hinzufügen der Selbstbewertung wurde die Modellleistung erheblich verbessert.

Das Hinzufügen von Inferenzdaten kann dazu beitragen, die Leistung erheblich zu verbessern und die Entstehung von Halluzinationen zu reduzieren.

Beziehung zwischen Datenskala und Konvergenzverlust und Modellleistung

Mit zunehmender Datenskala nimmt der Verlust des Modells weiter ab und die Abnahmerate verlangsamt sich allmählich. Die Beziehung zwischen Konvergenzverlust und Befehlsskalierungsdaten nähert sich einer logarithmischen Funktion an.

Mit dem Wachstum der Befehlsoptimierungsdaten wird die Leistung des Modells immer besser, aber die Wachstumsrate verlangsamt sich weiter und entspricht in etwa der logarithmischen Funktion.

Im Allgemeinen gibt es in textzentrierten VQA-Szenarien ein entsprechendes Skalierungsgesetz in der Befehlsanpassungsphase, in dem die Modellleistung proportional zum Logarithmus der Datenskalierung ist, was die Konstruktion potenziell größerer Datensätze leiten und Modelle vorhersagen kann Leistung.

Zusammenfassung

In diesem Artikel schlugen die Forscher eine Square-Strategie zum Aufbau eines hochwertigen textzentrierten Befehlsoptimierungsdatensatzes (Square-10M) vor. Mithilfe dieses Datensatzes schnitt TextSquare-8B bei mehreren Benchmarks gut ab erreicht eine mit GPT4V vergleichbare Leistung und übertrifft kürzlich veröffentlichte Open-Source-Modelle bei verschiedenen Benchmarks deutlich.

Darüber hinaus leiteten die Forscher den Zusammenhang zwischen der Größe des Befehlsanpassungsdatensatzes, dem Konvergenzverlust und der Modellleistung ab, um den Weg für den Aufbau größerer Datensätze zu ebnen, und bestätigten, dass die Quantität und Qualität der Daten für die Modellleistung von entscheidender Bedeutung sind.

Abschließend wiesen die Forscher darauf hin, dass es als vielversprechende Forschungsrichtung gilt, die Quantität und Qualität der Daten weiter zu verbessern, um die Kluft zwischen Open-Source-Modellen und führenden Modellen zu verringern.

Das obige ist der detaillierte Inhalt vonDer multimodale große 8B-Text-Index ähnelt GPT4V. Byte, Huashan und Huake haben gemeinsam TextSquare vorgeschlagen. Für weitere Informationen folgen Sie bitte anderen verwandten Artikeln auf der PHP chinesischen Website!