要約
マルチモーダル大規模言語モデル (MLLM) の最近の進歩は、多様なモダリティにわたってデータを統合し解釈することを目的としています。
ただし、モダリティに関する包括的なベンチマークが不足していることもあり、複数のモダリティを同時に処理および推論するこれらのモデルの能力は、依然として十分に調査されていません。
OmniBench は、視覚、音響、テキスト入力を同時に認識、解釈、推論するモデルの能力を厳密に評価するように設計された新しいベンチマークです。
このようなトライモーダル処理が可能なモデルをオムニ言語モデル (OLM) として定義します。
OmniBench は、高品質の人による注釈が特徴であり、正確な応答には 3 つのモダリティすべてにわたって統合された理解と推論が必要です。
私たちの主な調査結果は次のことを明らかにしています。 i) ほとんどの OLM は、三峰性コンテキスト内での命令追従および推論能力に重大な制限を示しています。
ii) ほとんどのベースライン モデルは、画像や音声の代替テキスト表現が提供された場合でも、パフォーマンスが低くなります (精度が 50% 未満)。
これらの結果は、テキスト、画像、音声から一貫したコンテキストを構築する機能が、既存の MLLM トレーニング パラダイムでは見落とされがちであることを示唆しています。
私たちは、多様なモダリティ全体で OLM パフォーマンスを向上させるための、より堅牢な 3 モーダル統合技術とトレーニング戦略の開発に焦点を当てた将来の研究を提唱します。
コードとライブ リーダーボードは https://m-a-p.ai/OmniBench で見つけることができます。
要約(オリジナル)
Recent advancements in multimodal large language models (MLLMs) have aimed to integrate and interpret data across diverse modalities. However, the capacity of these models to concurrently process and reason about multiple modalities remains inadequately explored, partly due to the lack of comprehensive modality-wise benchmarks. We introduce OmniBench, a novel benchmark designed to rigorously evaluate models’ ability to recognize, interpret, and reason across visual, acoustic, and textual inputs simultaneously. We define models capable of such tri-modal processing as omni-language models (OLMs). OmniBench is distinguished by high-quality human annotations, ensuring that accurate responses require integrated understanding and reasoning across all three modalities. Our main findings reveal that: i) most OLMs exhibit critical limitations in instruction-following and reasoning capabilities within tri-modal contexts; and ii) most baselines models perform poorly (below 50\% accuracy) even when provided with alternative textual representations of images or/and audio. These results suggest that the ability to construct a consistent context from text, image, and audio is often overlooked in existing MLLM training paradigms. We advocate for future research to focus on developing more robust tri-modal integration techniques and training strategies to enhance OLM performance across diverse modalities. The codes and live leaderboard could be found at https://m-a-p.ai/OmniBench.
arxiv情報
| 著者 | Yizhi Li,Ge Zhang,Yinghao Ma,Ruibin Yuan,Kang Zhu,Hangyu Guo,Yiming Liang,Jiaheng Liu,Jian Yang,Siwei Wu,Xingwei Qu,Jinjie Shi,Xinyue Zhang,Zhenzhu Yang,Xiangzhou Wang,Zhaoxiang Zhang,Zachary Liu,Emmanouil Benetos,Wenhao Huang,Chenghua Lin |
| 発行日 | 2024-09-24 16:51:45+00:00 |
| arxivサイト | arxiv_id(pdf) |
提供元, 利用サービス
arxiv.jp, Google