X-LLM: Bootstrapping Advanced Large Language Models by Treating Multi-Modalities as Foreign Languages

要約

タイトル：X-LLM：マルチモダリティを外国語として扱って、高度な大規模言語モデルをブートストラップする
要約：
– 大規模言語モデル（LLM）には、驚くべき言語能力があることが示されている。
– GPT-4は、高度なLLMに基づいており、これまでのビジュアル言語モデルを超えた非常に優れたマルチモーダル能力を示している。
– GPT-4のモデルアーキテクチャやトレーニング戦略は不明である。
– LLMにマルチモダル機能を与えるために、X-LLMを提案する。
– X-LLMは、X2Lインターフェースを使用してマルチモダリティ（画像、音声、動画）を外国語に変換し、大規模言語モデル（ChatGLM）に入力する。
– X-LLMのトレーニングは3つの段階で構成されている。
　1. マルチモダル情報の変換
　2. X2L表現とLLMの整合
　3. 複数のモダリティの統合
– X-LLMは、印象的なマルチモデルチャット機能を示し、時には未知の画像/指示のマルチモードGPT-4の振る舞いを示し、合成マルチモード指示に関するデータセットでGPT-4に対して84.5％の相対スコアを示す。
– LLMを音声認識（ASR）やマルチモーダルASRに使用することの定量的テストも行い、LLMベースの音声認識の時代を促進することを望んでいる。

要約(オリジナル)

Large language models (LLMs) have demonstrated remarkable language abilities. GPT-4, based on advanced LLMs, exhibits extraordinary multimodal capabilities beyond previous visual language models. We attribute this to the use of more advanced LLMs compared with previous multimodal models. Unfortunately, the model architecture and training strategies of GPT-4 are unknown. To endow LLMs with multimodal capabilities, we propose X-LLM, which converts Multi-modalities (images, speech, videos) into foreign languages using X2L interfaces and inputs them into a large Language model (ChatGLM). Specifically, X-LLM aligns multiple frozen single-modal encoders and a frozen LLM using X2L interfaces, where “X” denotes multi-modalities such as image, speech, and videos, and “L” denotes languages. X-LLM’s training consists of three stages: (1) Converting Multimodal Information: The first stage trains each X2L interface to align with its respective single-modal encoder separately to convert multimodal information into languages. (2) Aligning X2L representations with the LLM: single-modal encoders are aligned with the LLM through X2L interfaces independently. (3) Integrating multiple modalities: all single-modal encoders are aligned with the LLM through X2L interfaces to integrate multimodal capabilities into the LLM. Our experiments show that X-LLM demonstrates impressive multimodel chat abilities, sometimes exhibiting the behaviors of multimodal GPT-4 on unseen images/instructions, and yields a 84.5\% relative score compared with GPT-4 on a synthetic multimodal instruction-following dataset. And we also conduct quantitative tests on using LLM for ASR and multimodal ASR, hoping to promote the era of LLM-based speech recognition.

arxiv情報

提供元, 利用サービス

arxiv.jp, OpenAI