CogVLM: Visual Expert for Pretrained Language Models

要約

オープンソースの強力な視覚言語基盤モデルであるCogVLMを紹介する。CogVLMは、画像特徴を言語モデルの入力空間にマッピングする一般的なシャローアライメント手法とは異なり、注意層とFFN層における訓練可能な視覚エキスパートモジュールによって、凍結された事前訓練された言語モデルと画像エンコーダの間のギャップを埋める。その結果、CogVLMはNLPタスクの性能を犠牲にすることなく、視覚言語特徴の深い融合を可能にする。CogVLM-17Bは、NoCaps、Flicker30kキャプション、RefCOCO、RefCOCO+、RefCOCOg、Visual7W、GQA、ScienceQA、VizWiz VQA、TDIUCを含む10種類の古典的なクロスモーダルベンチマークで最先端の性能を達成し、VQAv2、OKVQA、TextVQA、COCOキャプションなどではPaLI-X 55Bを上回るかそれに匹敵する2位にランクされている。コードとチェックポイントはhttps://github.com/THUDM/CogVLM。

要約(オリジナル)

We introduce CogVLM, a powerful open-source visual language foundation model. Different from the popular shallow alignment method which maps image features into the input space of language model, CogVLM bridges the gap between the frozen pretrained language model and image encoder by a trainable visual expert module in the attention and FFN layers. As a result, CogVLM enables deep fusion of vision language features without sacrificing any performance on NLP tasks. CogVLM-17B achieves state-of-the-art performance on 10 classic cross-modal benchmarks, including NoCaps, Flicker30k captioning, RefCOCO, RefCOCO+, RefCOCOg, Visual7W, GQA, ScienceQA, VizWiz VQA and TDIUC, and ranks the 2nd on VQAv2, OKVQA, TextVQA, COCO captioning, etc., surpassing or matching PaLI-X 55B. Codes and checkpoints are available at https://github.com/THUDM/CogVLM.

arxiv情報

提供元, 利用サービス

arxiv.jp, DeepL