VITA: Towards Open-Source Interactive Omni Multimodal LLM
Created by
Haebom
저자
Chaoyou Fu, Haojia Lin, Zuwei Long, Yunhang Shen, Yuhang Dai, Meng Zhao, Yi-Fan Zhang, Shaoqi Dong, Yangze Li, Xiong Wang, Haoyu Cao, Di Yin, Long Ma, Xiawu Zheng, Rongrong Ji, Yunsheng Wu, Ran He, Caifeng Shan, Xing Sun
개요
VITA는 비디오, 이미지, 텍스트, 오디오 모달리티를 동시에 처리하고 분석할 수 있는 최초의 오픈소스 다중 모달 대규모 언어 모델(MLLM)입니다. Mixtral 8x7B를 기반으로 중국어 어휘를 확장하고 이중 언어 지시 조정을 거쳤으며, 다중 작업 학습을 통해 시각 및 오디오 기능을 부여받았습니다. 다양한 단일 모달 및 다중 모달 벤치마크에서 강력한 성능을 보여주며, 다국어, 비전, 오디오 이해 능력을 갖추고 있습니다. 또한, 자연스러운 다중 모달 인간-컴퓨터 상호 작용 경험 향상에 상당한 진전을 이루었습니다. 오픈소스 커뮤니티에서 다중 모달 이해와 상호 작용의 원활한 통합을 탐구하는 첫걸음이 될 것으로 기대됩니다.
시사점, 한계점
•
시사점:
◦
최초의 오픈소스 다중 모달 대규모 언어 모델(MLLM)으로서, 비디오, 이미지, 텍스트, 오디오 모달리티를 동시 처리 및 분석 가능합니다.
◦
다국어, 비전, 오디오 이해 능력을 갖추고 있으며, 다양한 벤치마크에서 우수한 성능을 보입니다.