Модель ChartGemma: обученная на данных из разнообразных реальных изображений диаграмм

 ChartGemma: A Multimodal Model Instruction-Tuned on Data Generated Directly from a Diverse Range of Real-World Chart Images

“`html

ChartGemma: Мульти몴одель, настроенная на инструкции, созданные непосредственно на основе разнообразных изображений реальных графиков

Графики являются важным инструментом в различных областях, но текущие модели для их понимания имеют ограничения. Они часто полагаются на таблицы данных, а не на визуальные шаблоны, и используют слабо согласованные модели визуализации и языка, что ограничивает их эффективность при работе с сложными графиками. Хотя языковые модели, дополненные визуальным восприятием, хорошо справляются с общими задачами, им требуется помощь в анализе специализированных графиков. Исследователи пытались настраивать эти модели для лучшего понимания графиков, но проблемы с качеством данных и согласованием моделей по-прежнему существуют. Нам нужен простой, улучшенный подход для создания надежной модели основы для эффективного понимания и рассуждения о графиках в разнообразных реальных сценариях.

Практические решения и ценность

Исследователи из Университета Йорка, MILA – Институт искусственного интеллекта Квебека, Исследовательской группы Salesforce и Университета Наньянг разработали ChartGemma, продвинутую модель понимания и рассуждения о графиках. В отличие от существующих моделей, ChartGemma обучается на данных, сгенерированных непосредственно из изображений графиков, захватывая детальную визуальную информацию. Построенная на основе бэкбона PaliGemma, она является более компактной и эффективной по сравнению с другими моделями. ChartGemma достигает передовых результатов в суммировании графиков, ответах на вопросы и проверке фактов по пяти бенчмаркам. Качественные исследования показывают, что она генерирует реалистичные и точные сводки, что делает ее высокоэффективной для анализа реальных графиков.

Обучение представления графиков эволюционировало от моделей, настраиваемых на язык или визуально-языковые основы, к предварительно обученным моделям с конкретными целями для графиков. Настройка инструкций предварительно обученных визуально-языковых моделей (VLM) исследовалась для улучшения применимости графиков, но эти методы полагаются на базовые таблицы данных и слабо согласованные VLM. Бенчмарки для моделирования графиков варьируются от ответов на вопросы до задач, таких как генерация объяснений и суммирование. Настройка инструкций обобщила языковые модели по функциям и теперь является стандартной для мультимодальных VLM. Однако доменно-специфическая настройка инструкций для графиков с использованием таблиц данных не улавливает сложность реальных графиков, что ограничивает эффективность модели.

ChartGemma использует архитектуру PaliGemma, включающую в себя визионный энкодер SigLIP и языковую модель Gemma-2B. Визионный энкодер обрабатывает изображения размером 448×448 пикселей, преобразуя их в визуальные токены, отображаемые в пространство встраивания языковой модели. Затем эти токены комбинируются с встраиваниями текста и обрабатываются моделью Gemma-2B, которая использует полное внимание для входных токенов и причинное маскирование для выходных токенов для улучшения контекстного понимания. В отличие от существующих мультимодальных моделей графиков, требующих двухэтапного подхода к обучению, ChartGemma использует одноэтапный метод, непосредственно настраивая данные для настройки инструкций. Это облегчается предварительным обучением PaliGemma на разнообразных парах изображений и текста, что позволяет лучше адаптироваться и обобщаться.

ChartGemma сравнивается с различными открытыми моделями для работы с графиками, VLM, настраиваемыми на данные графиков, и передовыми мультимодальными LLM. Она оценивается по пяти бенчмаркам, оценивающим представление и рассуждение о графиках: ChartQA, ChartFC, ChartCheck, OpenCQA и Chart2Text, а также по ручно составленному набору из 100 невидимых графиков. Метрики производительности включают расслабленную точность, точность и информативность, оцененную GPT-4, и фактическую правильность. ChartGemma превосходит другие модели в большинстве задач, демонстрируя превосходное обобщение, особенно в понимании реалистичных инструкций и сложных графиков, несмотря на ее относительно небольшой размер.

ChartGemma, мультимодель, настроенная на инструкции, созданные на основе разнообразных изображений реальных графиков с использованием продвинутой архитектуры бэкбона, решает ключевые недостатки текущих моделей. В отличие от существующих методов, генерирующих данные настройки инструкций из базовых таблиц и использующих слабо согласованные бэкбоны, ChartGemma использует фактические изображения графиков, улучшая адаптируемость и обобщаемость. Этот подход значительно улучшает производительность, производя более реалистичные, информативные и фактически правильные результаты с меньшим количеством параметров. Будущая работа включает создание более разнообразного набора данных для настройки по инструкциям и предложение обобщенного бенчмарка для оценки сложных визуальных элементов в графиках с соответствующими метриками.

Посмотрите статью. Вся заслуга за это исследование принадлежит исследователям этого проекта. Также не забудьте подписаться на нас в Twitter.

Присоединяйтесь к нашему каналу в Telegram и группе в LinkedIn.

Если вам понравилась наша работа, вам понравится наша рассылка.

Не забудьте присоединиться к нашему сообществу в SubReddit ML с более чем 46 тысячами подписчиков.

Если вам нужны советы по внедрению ИИ, пишите нам на https://t.me/flycodetelegram

Попробуйте ИИ ассистент в продажах https://flycode.ru/aisales/. Этот ИИ ассистент в продажах помогает отвечать на вопросы клиентов, генерировать контент для отдела продаж и снижать нагрузку на первую линию.

Узнайте, как ИИ может изменить ваши процессы с решениями от Flycode.ru

“`

Мобильная разработка на заказ и готовые решения

Мобильная разработка

Готовые и индивидуальные решения

Веб решения - разработка сайтов и сервисов

Web решения

Получите бесплатную консультацию по веб-разработке прямо сейчас

Аутсорсинг, подбор специалистов и команд разработки

Аутсорсинг

Выберите своего специалиста сегодня и начните свой проект

Новости

  • Amazon Nova Act: Революция в автоматизации веб-задач

    Введение в Amazon Nova Act Amazon представил революционную модель ИИ под названием Nova Act, предназначенную для автоматизации различных веб-задач. Этот ИИ-агент может автоматизировать процессы, такие как заполнение форм, навигация по интерфейсу и управление…

  • Руководство для начинающих по терминалу и командной строке: основные команды и советы

    Практические бизнес-решения с использованием Terminal/Command Prompt Введение Terminal и Command Prompt – это мощные инструменты для взаимодействия с компьютерами, которые могут значительно повысить производительность и эффективность в бизнесе. Преимущества использования Terminal/Command Prompt Эффективная…

  • Гибридная система вознаграждений ByteDance: улучшение RLHF с помощью RTV и GenRM

    Введение в Гибридную Систему Наград в ИИ Недавнее исследование от ByteDance представляет значительное достижение в области искусственного интеллекта через гибридную систему наград. Эта система объединяет Проверяющие Задачи Размышления (RTV) и Генеративную Модель Наград…

  • Революционная платформа AI для интеграции рассуждений и поиска

    Введение в ReSearch: Прогрессивная AI-структура Обзор ReSearch ReSearch представляет собой продвинутую структуру, которая обучает большие языковые модели (LLM) комбинировать рассуждения с поиском с помощью обучения с подкреплением, устраняя необходимость в контролируемых данных для…

  • Использование Git и Git Bash: Руководство для бизнеса

    Бизнес-преобразование с помощью Git и искусственного интеллекта Введение Использование Git и Git Bash может значительно улучшить управление проектами. Эти инструменты позволяют командам отслеживать изменения кода и эффективно сотрудничать, что значительно повышает производительность бизнеса.…

  • Создание инструмента для анализа рентгеновских снимков с открытым исходным кодом

    Создание инструмента для оценки рентгеновских снимков с открытым исходным кодом Практические бизнес-решения Создание прототипа инструмента для оценки рентгеновских снимков может значительно улучшить процессы диагностики и повысить качество обслуживания клиентов в медицинских учреждениях. Использование…

  • Увеличение разнообразия креативного письма с помощью DPO и ORPO в ИИ моделях

    Улучшение креативного письма с помощью ИИ: Практические решения для бизнеса Понимание проблемы креативного письма в ИИ Креативное письмо требует разнообразия и воображения, что представляет собой уникальную задачу для систем искусственного интеллекта (ИИ). В…

  • Оценка юридических ответов на соответствие GDPR с помощью платформы Atla

    Оценка юридических ответов для соблюдения GDPR с помощью платформы Atla Обзор Данный гид описывает практический подход к оценке качества юридических ответов, сгенерированных языковыми моделями, с использованием платформы Atla и Python SDK. Наша цель…

  • VideoMind: Прорыв в понимании видео с помощью ИИ

    Видеоминд: Применение AI для понимания видео Видеоминд представляет собой значительное достижение в области искусственного интеллекта, особенно в понимании видео. Этот инновационный подход решает уникальные задачи анализа видеоконтента. Понимание задач видеоконтента Видеоматериалы более сложны…

  • Hostinger Horizons: Создавайте веб-приложения без кода с помощью ИИ

    Практические бизнес-решения с использованием Hostinger Horizons Hostinger Horizons предлагает уникальные возможности для бизнеса благодаря своей платформе без кода, которая упрощает создание веб-приложений. Вот как это может улучшить бизнес и реальную жизнь: Преимущества использования…

  • Hunyuan-T1: Революция в Искусственном Интеллекте для Бизнеса

    Практические бизнес-решения Преобразование рабочих процессов Искусственный интеллект может значительно улучшить бизнес-операции. Вот практические шаги, которые стоит рассмотреть: 1. Определите возможности автоматизации Ищите процессы, которые можно автоматизировать для повышения эффективности. 2. Улучшите взаимодействие с…

  • FFN Fusion от NVIDIA: Революция в эффективности больших языковых моделей

    Введение в большие языковые модели Большие языковые модели (LLMs) становятся все более важными в различных секторах, обеспечивая работу приложений, таких как генерация естественного языка и разговорные агенты. Однако с увеличением размера и сложности…

  • UI-R1: Улучшение предсказания действий GUI с помощью обучения с подкреплением

    UI-R1 Framework: Улучшение предсказания действий GUI с помощью ИИ Обзор проблемы Традиционный метод обучения больших языковых моделей (LLMs) и агентов графического пользовательского интерфейса (GUI) требует больших объемов размеченных данных, что приводит к длительным…

  • Эффективное Масштабирование Времени Вывода для Бизнеса

    Оптимизация времени вывода для потоковых моделей: практические бизнес-решения Введение Недавние разработки в области искусственного интеллекта сместили акцент с увеличения размера модели и объема обучающих данных на повышение эффективности вычислений во время вывода. Эта…

  • Устойчивое развитие AI для временных рядов с помощью синтетических данных: инновационный подход Salesforce

    Возможности ИИ для анализа временных рядов с использованием синтетических данных Анализ временных рядов имеет огромное значение для бизнеса, но он сталкивается с проблемами доступности и качества данных. Использование синтетических данных может решить эти…

  • Руководство по решению уравнения Бюргера 1D с помощью PINNs в PyTorch

    Практическое руководство по преобразованию бизнеса с помощью ИИ Это руководство демонстрирует, как использовать физически обоснованные нейронные сети (PINNs) для решения уравнения Бургенса и как такие технологии могут улучшить бизнес-процессы и реальную жизнь. Шаги…

  • Открытие OpenVLThinker-7B: Новый уровень визуального мышления для бизнеса

    Улучшение визуального мышления с OpenVLThinker-7B Понимание проблемы Модели, объединяющие обработку языка и интерпретацию изображений, испытывают трудности с многошаговым мышлением. Это создает проблемы в таких задачах, как понимание графиков и решение визуальных математических задач.…

  • Создание агента по анализу данных с использованием Gemini 2.0 и Google API

    Создание агента научных данных с интеграцией ИИ Введение Этот гид описывает, как создать агента научных данных, используя библиотеку Pandas на Python и возможности генеративного ИИ от Google. Следуя этому руководству, бизнес сможет использовать…