MultiModal-GPT: A Vision and Language Model for Dialogue with Humans

要約

私たちは、人間との複数ラウンドの対話を行うための MultiModal-GPT という名前のビジョンと言語モデルを紹介します。
MultiModal-GPT は、詳細なキャプションの生成、関心のあるオブジェクトの数のカウント、ユーザーからの一般的な質問への回答など、人間からのさまざまな指示に従うことができます。
MultiModal-GPT は OpenFlamingo からパラメータ効率よく微調整されており、言語モデルのクロスアテンション部分とセルフアテンション部分の両方に低ランクアダプター (LoRA) が追加されています。
まず、モデルが人間の指示を理解し、従うようにするためのマルチモダリティ指示チューニング用の視覚データと言語データを使用して指示テンプレートを構築します。
対話のパフォーマンスにはトレーニング データの品質が極めて重要であることがわかりました。短い回答を含むデータが少ないと、モデルがあらゆる指示にすぐに応答できるようになります。
MultiModal-GPT の人間とチャットする能力をさらに強化するために、言語のみの命令に従うデータを利用して MultiModal-GPT を共同でトレーニングします。
\emph{same} 指示テンプレートを使用した言語のみの指示と視覚言語の指示の共同トレーニングにより、対話のパフォーマンスが効果的に向上します。
さまざまなデモは、MultiModal-GPT と人間との継続的な対話の能力を示しています。
コード、データセット、デモは https://github.com/open-mmlab/Multimodal-GPT にあります。

要約(オリジナル)

We present a vision and language model named MultiModal-GPT to conduct multi-round dialogue with humans. MultiModal-GPT can follow various instructions from humans, such as generating a detailed caption, counting the number of interested objects, and answering general questions from users. MultiModal-GPT is parameter-efficiently fine-tuned from OpenFlamingo, with Low-rank Adapter (LoRA) added both in the cross-attention part and the self-attention part of the language model. We first construct instruction templates with vision and language data for multi-modality instruction tuning to make the model understand and follow human instructions. We find the quality of training data is vital for the dialogue performance, where few data containing short answers can lead the model to respond shortly to any instructions. To further enhance the ability to chat with humans of the MultiModal-GPT, we utilize language-only instruction-following data to train the MultiModal-GPT jointly. The joint training of language-only and visual-language instructions with the \emph{same} instruction template effectively improves dialogue performance. Various demos show the ability of continuous dialogue of MultiModal-GPT with humans. Code, dataset, and demo are at https://github.com/open-mmlab/Multimodal-GPT

arxiv情報

提供元, 利用サービス

arxiv.jp, Google