Библиотека UniBench для оценки надежности моделей видео-языковых моделей (VLM) на различных тестах

“`html

UniBench: Комплексная оценка моделей видео-языковых VLM на разнообразных платформах

Модели видео-языковых (VLM) привлекли значительное внимание благодаря своей способности решать различные мультимодальные задачи. Однако быстрое распространение платформ для оценки этих моделей создало сложный и фрагментированный ландшафт. Это представляет несколько вызовов для исследователей. Реализация протоколов для множества платформ требует много времени, а интерпретация результатов по множеству метрик оценки становится затруднительной. Вычислительные ресурсы, необходимые для запуска всех доступных платформ, значительны, что приводит к тому, что многие исследователи оценивают новые модели только на подмножестве платформ. Такой селективный подход создает слепые пятна в понимании производительности моделей и усложняет сравнение различных VLM. Необходимо стандартизированное оценочное окружение для вывода обоснованных выводов о наиболее эффективных стратегиях развития технологии VLM. В конечном итоге, в этой области нужен более упорядоченный и всесторонний подход к оценке этих моделей.

Комплексная оценочная платформа UniBench

Исследователи из Meta FAIR, Univ Gustave Eiffel, CNRS, LIGM и Брауновского университета представили комплексную платформу UniBench, разработанную для решения проблем оценки VLM. Эта унифицированная платформа реализует 53 разнообразные платформы в удобной для пользователя кодовой базе, охватывая широкий спектр возможностей от распознавания объектов до пространственного понимания, подсчета и приложений для специализированных медицинских и спутниковых изображений. UniBench классифицирует эти платформы на семь типов и семнадцать более детализированных возможностей, позволяя исследователям быстро определить сильные и слабые стороны модели стандартизированным образом.

Практическое применение UniBench

Полезность UniBench продемонстрирована через оценку почти 60 открыто доступных VLM, охватывающих различные архитектуры, размеры моделей, масштабы обучающих наборов данных и цели обучения. Это систематическое сравнение по различным осям прогресса показывает, что, хотя увеличение размера модели и обучающих данных значительно улучшает производительность во многих областях, оно предлагает ограниченные преимущества для задач визуальных связей и рассуждений. UniBench также выявляет постоянные трудности в задачах числового понимания, даже для передовых VLM.

Для облегчения практического использования UniBench предоставляет сжатый набор представительных платформ, которые могут быстро запускаться на стандартном оборудовании. Этот всесторонний, но эффективный подход направлен на упрощение оценки VLM, позволяя более значимые сравнения и понимание эффективных стратегий развития исследований VLM.

Основные выводы UniBench

Результаты показывают, что увеличение размера модели и обучающих данных значительно улучшает производительность во многих областях, особенно в распознавании объектов и понимании сцен. Однако такой подход масштабирования предлагает ограниченные преимущества для задач визуальных связей и рассуждений. Даже передовые VLM борются с видимо простыми платформами, включающими в себя числовое понимание, такие как распознавание символов или подсчет, даже на устоявшихся наборах данных, таких как MNIST и SVHN.

Оценка выявляет, что большие открытые модели, такие как Eva ViT-E/14, хорошо себя проявляют как универсальные VLM. В отличие от этого, специализированные модели, такие как NegCLIP, отлично справляются с конкретными задачами, особенно визуальными связями. Комплексный подход UniBench позволяет более тонкое понимание сильных и слабых сторон моделей, предоставляя ценные идеи как для исследователей, так и для практиков при выборе подходящих моделей для конкретных приложений или выявлении областей для будущего совершенствования в развитии VLM.

Основные выводы UniBench

Производительность сильно варьируется в различных задачах. В то время как VLM проявляют себя отлично во многих областях, они борются с определенными платформами, проявляя производительность на уровне или ниже случайного уровня в задачах, таких как Winoground, iNaturalist, DSPR, Small Norb, dmlab, Clevr, PCam, Renderedssst2 и Kitti.
Ограничения масштабирования: Увеличение размера модели и обучающих данных значительно улучшает производительность во многих областях, особенно в распознавании объектов и устойчивости. Однако такой подход масштабирования предлагает минимальные преимущества для задач визуальных связей и рассуждений.
Неожиданные слабые стороны: VLM плохо справляются с традиционно простыми задачами, такими как распознавание цифр MNIST. Даже с точностью до пяти, VLM едва достигают 90% на MNIST, в то время как базовый 2-слойный MLP достигает точности 99%.
Подсчет и числовые задачи: VLM постоянно борются с пониманием чисел в нескольких платформах, включая SVHN, CountBench и ClevrCount.
Качество данных важнее количества: Модели, обученные на 2 миллиардах высококачественных образцов, превосходят те, что обучены на больших наборах данных, подчеркивая важность курирования данных.
Индивидуальные цели: Модели, такие как NegCLIP, с специализированными целями обучения, значительно превосходят более крупные модели в задачах визуальных связей.
Рекомендации моделей: Для универсального использования большие кодировщики ViT, такие как Eva-2 ViT-E/14, показывают лучшую общую производительность. Для конкретных задач, таких как связи или подсчет, рекомендуются специализированные модели, такие как NegCLIP.

UniBench: Эффективная практическая оценка VLM

UniBench решает проблему комплексной оценки VLM, упрощая свои 53 платформы до представительного подмножества из семи, сбалансированного между тщательностью и эффективностью. Этот подход преодолевает вычислительные требования полной оценки, которая требует обработки 6 миллионов изображений более 2 часов на графическом процессоре A100. В то время как ImageNet коррелирует с многими платформами, она плохо представляет 18 других, что подчеркивает необходимость разнообразных метрик. Упрощенный набор UniBench, выбранный для представления ключевых осей прогресса, запускается всего за 5 минут на одном графическом процессоре A100 для модели ViT-B/32. Этот эффективный пайплайн предлагает практическое решение для быстрой, но всесторонней оценки VLM, позволяя исследователям и практикам быстро получать значимые идеи.

UniBench: Обзор

Это исследование представляет UniBench, комплексную оценочную платформу для моделей видео-языковых, которая решает проблемы фрагментированной оценки в этой области. Она реализует 53 разнообразные платформы, классифицированные на семь типов и семнадцать возможностей, позволяя систематически оценить 59 VLM. Основные выводы показывают, что, хотя увеличение размера модели и обучающих данных улучшает производительность во многих областях, оно предлагает ограниченные преимущества для задач визуальных связей и рассуждений. Удивительно, VLM борются с простыми числовыми задачами, такими как распознавание цифр MNIST. UniBench также подчеркивает важность качества данных перед количеством и эффективности настраиваемых целей обучения. Для сбалансированности тщательности и эффективности UniBench предлагает сжатый набор из семи представительных платформ, запускаемых всего за 5 минут на одном графическом процессоре.

Проверьте статью и GitHub. Весь кредит за это исследование принадлежит исследователям этого проекта. Также не забудьте подписаться на нас в Twitter и присоединиться к нашему Telegram-каналу и группе LinkedIn. Если вам понравилась наша работа, вам понравится наша рассылка.

Не забудьте присоединиться к нашему сообществу Reddit.

Найдите предстоящие вебинары по ИИ здесь.