年轻人的第一个多模态大模型,1080Ti轻松运行,已开源在线可玩

  Vary-toy 团队投稿

  量子位公众号 QbitAI

  一款名为 Vary-toy 的“年轻人的第一个多模态大模型”来了!

  模型大小不到 2B,消费级显卡可训练,GTX1080ti、8G 的老显卡轻松运行。

  想将一份文档图片转换成 Markdown 格式?以往需要文本识别、布局检测和排序、公式表格处理、文本清洗等多个步骤。

  现在只需一句话命令:

  无论中英文,图片中的大段文字都能分分钟提取出来:

  对一张图做对象检测,还是能给出具体坐标的那种:

  这项研究由来自旷视、国科大、华中大的研究人员共同提出。

  据介绍,Vary-toy 虽小,但却几乎涵盖了目前 LVLM(大型视觉语言模型)主流研究中的所有能力:文档 OCR 识别(Document OCR)、视觉定位(Visual Grounding)、图像描述(Image Caption)、视觉问答(VQA)。

  现在,Vary-toy 代码和模型均已开源,并有在线 demo 可试玩。

  网友一边表示感兴趣,一边关注点在于旧·GTX1080,心情 belike:

  “缩小版”Vary

  其实,早在去年 12 月 Vary 团队就发布了 Vary 的首项研究成果“Vary: Scaling up the Vision Vocabulary for Large Vision-Language Models”。

  研究人员指出 CLIP 视觉词表在密集感知能力上的不足,并用一种简单有效的扩充词表方案给出了一种全新的 OCR 范式。

  Vary 发布后得到广泛关注,目前 Github 1.2k+ star,但也有不少人因为资源受限运行不了。

  考虑到目前开源得很好且性能出色的“小”VLM 比较少,于是该团队又新发布了号称是“年轻人的第一个多模大模型”的 Vary-toy。

  与 Vary 相比,Vary-toy 除了小之外,也训练了更强的视觉词表,新的词表不再将模型局限于文档级 OCR,而是给出了一个更加通用和全面的视觉词表,其不仅能做文档级 OCR,还能做通用视觉目标检测。

  那这究竟是如何做到的?

  Vary-toy 的模型结构和训练流程如下图所示,总的来说,训练共分两个阶段。

  首先在第一阶段,使用 Vary-tiny+ 结构,预训练出一个相比原版 Vary 更好的视觉词表,新的视觉词表解决了原 Vary 只用它做文档级 OCR 的网络容量浪费问题、以及没有充分利用到 SAM 预训练优势的问题。

  然后在第二阶段中,将第一阶段中训好的视觉词表 merge 到最终结构进行 multi-task training/SFT。

  众所周知,一个好的数据配比对于产生一个能力全面的 VLM 是至关重要的。

  因此在预训练阶段,Vary-toy 使用了 5 种任务类型的数据构建对话,数据配比和示例 prompt 如下图所示:

  而在 SFT 阶段,只使用了 LLaVA-80K 数据。更多的技术细节,可以查看 Vary-toy 的技术报告。

  实验测试结果

  Vary-toy 在 DocVQA、ChartQA、RefCOCO、MMVet 四个基准测试的得分如下:

  Vary-toy 在 DocVQA 上可以达到 65.6% 的 ANLS,在 ChartQA 上达到 59.1% 的准确率,RefCOCO88.1% 的准确率:

  MMVet 上可以达到 29% 准确率,无论是从基准测试评分上还是可视化效果上,不到 2B 的 Vary-toy 甚至能和一些流行的 7B 模型的性能一较高下。

  项目链接:

  [1]https://arxiv.org/abs/2401.12503

  [2]https://varytoy.github.io/