Модель LLaVA-Critic для оценки производительности моделей в различных мультимодальных задачах.

 LLaVA-Critic: An Open-Source Large Multimodal Model Designed to Assess Model Performance Across Diverse Multimodal Tasks



LLaVA-Critic: Первая большая мультимодальная модель с открытым исходным кодом, разработанная для оценки производительности моделей в различных мультимодальных задачах

Способность к обучению оценивать все более играет ключевую роль в развитии современных больших мультимодальных моделей (LMMs). Переход к пост-обучению с использованием синтетических данных, улучшенных с помощью ИИ, подчеркивает растущее значение обучения оценивать в современных LMMs. Надежная оценка ИИ важна для человеческого труда при оценке сложных задач, генерации эффективных сигналов вознаграждения в обучении с подкреплением и руководства поисковым запросом во время вывода. Несмотря на прогресс в сценариях одиночного изображения, многократного изображения и видео, разработка открытых LMMs, способных оценивать производительность других мультимодальных моделей, представляет собой пробел в отрасли.

Практические решения и ценность:

Существующие попытки решить проблему оценки ИИ в основном сосредоточены на использовании собственных LMMs, таких как GPT-4V, в качестве общих оценщиков для задач зрения и языка. Эти модели использовались в оценочных бенчмарках для сложных сценариев, таких как визуальный чат и детальное описание. Более того, появились альтернативы с открытым исходным кодом, такие как Prometheus-Vision, как оценщики для конкретных критериев оценки, созданных пользователями. В предпочтительном обучении для LMMs применяются методики, такие как обучение с подкреплением по обратной связи от человека (RLHF) и прямая оптимизация предпочтений (DPO) для выравнивания моделей с человеческими намерениями. Недавние исследования расширили эти концепции на мультимодальное пространство, изучая различные стратегии для улучшения способностей визуального чата и сокращения галлюцинаций в мультимодальных моделях зрения и языка.

Исследователи из ByteDance и Университета Мэриленда, Колледж-Парк, предложили LLaVA-Critic, первую LMM, специально разработанную для оценочных задач. Этот подход сосредоточен на подготовке данных для следования инструкциям, разработанных специально для оценочных целей. Он решает два основных сценария: служит в качестве LMM-как-судья и облегчает обучение предпочтениям. Он стремится предоставить надежные оценочные баллы, сравнимые с собственными моделями, такими как GPT-4V, предлагая бесплатную альтернативу для различных оценочных бенчмарков в первом сценарии. Он представляет масштабируемое решение для генерации эффективных сигналов вознаграждения, сокращая зависимость от дорогостоящего сбора обратной связи от людей во втором сценарии. LLaVA-Critic показывает высокую корреляцию с коммерческими моделями GPT в оценочных задачах и превосходную производительность в обучении предпочтениям.

LLaVA-Critic разработан путем донастройки предварительно обученной LMM, способной следовать разнообразным инструкциям. Этот подход обеспечивает возможность модели выполнять различные задачи высокого качества в области зрения. Процесс обучения включает использование оценочного запроса, который объединяет мультимодальный ввод инструкций, ответ(ов) модели и опциональный справочный ответ. LLaVA-Critic обучается предсказывать количественные баллы по критериям и обеспечивать подробные обоснования своих решений. Модель использует стандартную потерю перекрестной энтропии для оценок и обоснований. Исследователи начинают с предварительно обученной контрольной точки LLaVA-OneVision(OV) 7B/72B и донастраивают ее на набор данных LLaVA-Critic-113k для одной эпохи.

Результаты показывают значительное улучшение как в способностях к количественной оценке, так и в ранжировании по парам у LLaVA-Critic по сравнению с базовыми моделями. LLaVA-Critic-72B достигает наивысшего среднего коэффициента корреляции Пирсона (0,754) и Тау Кендалла (0,933) в количественной оценке, превосходя базовую модель LLaVA-OV-72B. В ранжировании по парам LLaVA-Critic-72B превосходит GPT-4o и GPT-4V в сравнениях без ничьих, достигая точности 73,6%. LLaVA-Critic-7B превосходит большинство базовых моделей по сравнению с коммерческими моделями и другими LMMs с открытым исходным кодом в сценарии LMM-как-судья. Эти результаты подчеркивают эффективность LLaVA-Critic в качестве открытой альтернативы для оценки мультимодальных моделей.

В заключение, исследователи предложили LLaVA-Critic, первую LMM, специально разработанную для оценочных задач. Исследователи использовали высококачественный разнообразный набор данных для следования инструкциям для разработки этой модели, которая выделяется в двух критических областях. Во-первых, как общий оценщик, LLaVA-Critic показывает замечательное согласование с предпочтениями человека и GPT-4o в различных оценочных задачах, предлагая жизнеспособную открытую альтернативу коммерческим моделям. Во-вторых, в сценариях обучения предпочтениям LLaVA-Critic функционирует как надежная модель вознаграждения, превосходя подходы, основанные на обратной связи от людей, в улучшении способностей визуального чата LMMs. Это исследование является важным шагом к созданию способностей самокритики в открытых LMMs, обеспечивая будущие прогрессивные обратные связи в области масштабируемого и сверхчеловеческого выравнивания ИИ.


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

  • Itinai.com it company office background blured photography by e4139fc1 862c 4177 9de9 70fb39c5af9e 1

    NovelSeek: Революция в автономных научных исследованиях с помощью ИИ

    Введение в NovelSeek: революция в научных исследованиях Научные исследования требуют высокой экспертизы для генерации гипотез, проектирования экспериментов и анализа результатов. NovelSeek — это система ИИ, которая автономно управляет всем процессом научного открытия. Как…

  • Itinai.com it company office background blured photography by 0b545732 d29f 4839 a448 751a77ba1563 2

    WINA: Эффективная активация нейронов для оптимизации вывода больших языковых моделей

    Преобразование Идентификации Нейронов с Помощью WINA Microsoft представила WINA (Weight Informed Neuron Activation) — инновационную структуру, позволяющую эффективно использовать большие языковые модели (LLMs) без необходимости в обучении. Это решение помогает компаниям оптимизировать производительность…

  • Itinai.com it company office background blured photography by 12fe5e49 d0a5 47b8 a36f 0071089d22c3 0

    Трансформация клиентского опыта с помощью агентного ИИ

    Превращение клиентского опыта с помощью агентного ИИ Понимание агентного ИИ Агентный ИИ — это системы с интеллектуальными агентами, которые могут запоминать прошлые взаимодействия, рассуждать о процессах и принимать решения без постоянного вмешательства человека.…

  • Itinai.com it company office background blured photography by 2f4c6499 6d9f 413b 8dd8 10c4ad53e96c 1

    Адаптивные Модели Рассуждений для Эффективного Решения Проблем в ИИ

    Введение Данная статья обсуждает два инновационных концепта в области искусственного интеллекта: Модели Адаптивного Рассуждения (ARM) и Ada-GRPO. Эти модели помогают повысить эффективность и масштабируемость решения задач в AI, особенно в области рассуждений. Понимание…

  • Itinai.com it company office background blured photography by 48cb21e9 ed8f 4a55 9f5b 4570e52f1cce 2

    Создание масштабируемой системы коммуникации между агентами с использованием ACP в Python

    «`html Практическое руководство по созданию масштабируемой системы коммуникации для агентов Введение Создание эффективной системы коммуникации между агентами важно для бизнеса, стремящегося использовать искусственный интеллект. Этот подход позволяет улучшить бизнес-процессы и повысить качество обслуживания…

  • Itinai.com it company office background blured photography by a4b45723 df9d 4684 b150 bb2c5790acc8 0

    Ограничения многомодальных моделей в физическом рассуждении: результаты PHYX Benchmark

    Понимание Ограничений Мультимодальных Основных Моделей в Физическом Рассуждении Введение в Мультимодальные Основные Модели Недавние достижения в области мультимодальных основных моделей сделали шаги вперед в различных областях, включая математику и логическое рассуждение. Однако они…

  • Itinai.com it company office background blured photography by 0b545732 d29f 4839 a448 751a77ba1563 0

    Запуск Yambda: крупнейший набор данных для систем рекомендаций от Яндекса

    Введение в набор данных Yambda от Yandex Yandex недавно запустил Yambda — набор данных, который значительно улучшает возможности рекомендательных систем. Он содержит почти 5 миллиардов анонимизированных взаимодействий пользователей с Yandex Music, что позволяет…

  • Itinai.com it company office background blured photography by 2f4c6499 6d9f 413b 8dd8 10c4ad53e96c 2

    Биомни: Революция в автоматизации биомедицинских исследований с помощью ИИ

    Biomni: Трансформация биомедицинских исследований с помощью ИИ Проблемы в биомедицинских исследованиях Биомедицинские исследования сталкиваются с рядом серьезных проблем: Перегрузка данными: Огромные объемы данных затрудняют работу исследователей. Интеграция инструментов: Сложности с объединением различных инструментов…

  • Itinai.com it company office background blured photography by 12fe5e49 d0a5 47b8 a36f 0071089d22c3 3

    Улучшение LLM с помощью интерливинг-рассуждений для более быстрых и точных ответов

    Введение в Интерливинг Резонанс Исследователи из Apple и Университета Дьюка разработали инновационный подход, называемый Интерливинг Резонанс, который улучшает производительность больших языковых моделей (LLMs), позволяя им предоставлять промежуточные ответы во время сложного решения задач.…

  • Itinai.com it company office background blured photography by 93e48de1 e0a4 4327 bf1a 5249ee257f75 2

    DeepSeek R1-0528: Революция в открытом ИИ

    Решения для бизнеса с применением DeepSeek R1-0528 Модель DeepSeek R1-0528 представляет собой значительный шаг вперед в области открытого ИИ. Ниже приведены практические бизнес-решения на основе её возможностей. Преимущества для бизнеса и реальной жизни…

  • Itinai.com it company office background blured photography by d266ecb7 1141 4fd8 a45e d7242fbf1e9e 1

    Создание самообучающегося ИИ-агента с помощью API Gemini от Google

    Практическое руководство по созданию самообучающегося AI-агента с использованием Google’s Gemini API Введение В современном деловом мире внедрение искусственного интеллекта (AI) становится ключевым фактором успеха. Этот гайд поможет вам разработать самообучающегося AI-агента, который будет…

  • Itinai.com it company office background blured photography by 342dc52c d1e8 48a5 a450 02825b0d4c2b 2

    Samsung представляет ANSE: Улучшение моделей текст-в-видео с активным выбором шума

    Практические бизнес-решения на основе ANSE Исследования Samsung представили ANSE — революционный фреймворк для улучшения моделей текст-видео. Вот как это можно применить в бизнесе для повышения эффективности и качества. Преимущества ANSE для бизнеса Улучшение…

  • Itinai.com it company office background blured photography by 12fe5e49 d0a5 47b8 a36f 0071089d22c3 1

    WEB-SHEPHERD: Инновационная модель вознаграждений для эффективной навигации в сети

    Решения для бизнеса с использованием WEB-SHEPHERD WEB-SHEPHERD предлагает практические решения для бизнеса, которые могут значительно улучшить эффективность работы и повысить качество обслуживания клиентов. Вот как это можно реализовать: 1. Повышение эффективности WEB-SHEPHERD предоставляет…

  • Itinai.com it company office background blured photography by 724d9f47 b65a 445e b4b5 b5939a7eba28 1

    Dimple: Новый Модель Языкового Генератора для Бизнеса

    Введение в Dimple Исследователи Национального университета Сингапура разработали Dimple, новую модель, которая улучшает генерацию текста с помощью инновационных технологий. Эта модель, известная как Дискретная Диффузионная Мультимодальная Языковая Модель (DMLLM), сочетает визуальные и текстовые…

  • Itinai.com it company office background blured photography by 342dc52c d1e8 48a5 a450 02825b0d4c2b 2

    Улучшение математического мышления с помощью обучения с подкреплением

    Улучшение математического мышления с помощью обучения с подкреплением Введение Недавние достижения в области искусственного интеллекта (ИИ) привели к инновационным методам улучшения математического мышления в моделях. Одним из таких подходов является обучение с подкреплением…

  • Itinai.com it company office background blured photography by 0b545732 d29f 4839 a448 751a77ba1563 0

    Интерактивный анализ видео с помощью AI и Lyzr Chatbot Framework

    Преобразование видео-контента в действенные инсайты с помощью ИИ В современном цифровом мире компаниям необходимо эффективно извлекать ценную информацию из мультимедийных ресурсов. Использование искусственного интеллекта может значительно улучшить этот процесс, особенно при анализе транскриптов…

  • Itinai.com it company office background blured photography by 431ba571 009a 4ead 8847 7d3b7a613a24 0

    MMaDA: Унифицированная Модель Мультимодального Диффузии для Бизнеса

    Унифицированная многомодальная диффузионная модель для бизнес-приложений Преимущества MMaDA для бизнеса MMaDA (Многомодальная диффузионная модель для текстового анализа, визуального понимания и генерации изображений) значительно упрощает интеграцию различных типов данных, что приводит к более эффективным…

  • Itinai.com it company office background blured photography by 2f4c6499 6d9f 413b 8dd8 10c4ad53e96c 3

    Мягкое мышление: новое слово в рассуждениях ИИ

    Понимание изменений в рассуждении ИИ Большие языковые модели (LLM) традиционно полагаются на дискретные языковые токены для обработки информации. Этот метод, хотя и эффективен для простых задач, ограничивает способность модели рассуждать в сложных или…