VPGTrans

VPGTrans

低成本跨语言模型迁移的视觉提示生成器VPGTrans指南

VPGTrans框架通过迁移视觉提示生成器,显著降低大语言模型的资源消耗和训练数据需求。该项目包括VL-LLaMA和VL-Vicuna两阶段训练方法,并详细介绍了安装、评估和训练步骤,由新加坡国立大学和清华大学的研究人员开发。

VPGTransVL-LLMVL-LLaMAVL-Vicuna视觉提示生成器Github开源项目

VPGTrans 项目介绍

项目概述

VPGTrans 是一个旨在优化视觉-语言大模型(VL-LLM)构建成本的新框架。传统上,开发新的 VL-LLM 需要从头开始在大量的图像文本对上进行预训练,这个过程不仅资源密集,而且耗费大量计算能力。VPGTrans 提供了一种将视觉提示生成器(VPG)在不同的大模型(LLM)之间迁移的方案,这大大降低了成本,实现了 GPU 训练时长的减少,并将所需的训练数据量降低至约 10%。

VPGTrans 包括两个训练阶段,最终实现用新发布的大模型定制新的 VL-LLM。在该项目中,我们发布了两个通过 VPGTrans 创新的 VL-LLM,分别是 VL-LLaMA 和 VL-Vicuna。

VL-LLaMA

VL-LLaMA 是通过将 BLIP-2 OPT-6.7B 迁移到 LLaMA 构建的多模态版本。这个模型通过 VPGTrans 方法提升了性能,大大提高了构建 VL-LLM 的效率。

VL-Vicuna

VL-Vicuna 是一个基于 Vicuna 大模型构建的类似 GPT-4 的多模态聊天机器人。它通过 VPGTrans 框架进行训练,在对话场景中实现了更好的适应性。

安装指导

首先,用户需要克隆项目代码库并安装必要的环境依赖。具体步骤如下:

git clone https://github.com/VPGTrans/VPGTrans.git cd VPGTrans pip install -r requirements.txt pip install -e .

演示与评估

VPGTrans 提供了 VL-Vicuna 的本地演示。用户需要准备预训练的 Vicuna 权重,按说明进行配置文件的修改,然后运行对应的脚本来启动演示。

评估部分则包含数据准备和运行代码来测试模型性能。本文使用的数据集包括 COCO caption、NoCaps、VQAv2、GQA 和 OK-VQA。

训练过程

训练过程分为两个主要阶段:

  1. 阶段一:投影器预热 - 需要下载 BLIP2 OPT-6.7B 检查点。用户可以通过线性投影工具进行初始设定,然后运行投影器预热脚本。
  2. 阶段二:直接微调 - 使用预热阶段生成的检查点进行进一步的微调。

对于 VL-Vicuna,除了上述两个阶段,还包括第三个阶段:视觉指令微调,进一步调整模型以适应对话场景。

致谢

此项目构建在 Lavis、Vicuna 和 MiniGPT-4 的基础上,实现了创新和提升。

引用方式

如果你在研究或应用中使用了 VPGTrans,请引用以下文献:

@article{2023vpgtrans, author = {Ao Zhang, Hao Fei, Yuan Yao, Wei Ji, Li Li, Zhiyuan Liu, and Tat-Seng Chua}, title = {Transfer Visual Prompt Generator across LLMs}, journal = {CoRR}, volume = {abs/23045.01278}, year = {2023}, url = {https://doi.org/10.48550/arXiv.2305.01278}, }

许可证

项目使用 BSD 3-Clause License 授权。

编辑推荐精选

讯飞智文

讯飞智文

一键生成PPT和Word,让学习生活更轻松

讯飞智文是一个利用 AI 技术的项目,能够帮助用户生成 PPT 以及各类文档。无论是商业领域的市场分析报告、年度目标制定,还是学生群体的职业生涯规划、实习避坑指南,亦或是活动策划、旅游攻略等内容,它都能提供支持,帮助用户精准表达,轻松呈现各种信息。

AI办公办公工具AI工具讯飞智文AI在线生成PPTAI撰写助手多语种文档生成AI自动配图热门
讯飞星火

讯飞星火

深度推理能力全新升级,全面对标OpenAI o1

科大讯飞的星火大模型,支持语言理解、知识问答和文本创作等多功能,适用于多种文件和业务场景,提升办公和日常生活的效率。讯飞星火是一个提供丰富智能服务的平台,涵盖科技资讯、图像创作、写作辅助、编程解答、科研文献解读等功能,能为不同需求的用户提供便捷高效的帮助,助力用户轻松获取信息、解决问题,满足多样化使用场景。

热门AI开发模型训练AI工具讯飞星火大模型智能问答内容创作多语种支持智慧生活
Spark-TTS

Spark-TTS

一种基于大语言模型的高效单流解耦语音令牌文本到语音合成模型

Spark-TTS 是一个基于 PyTorch 的开源文本到语音合成项目,由多个知名机构联合参与。该项目提供了高效的 LLM(大语言模型)驱动的语音合成方案,支持语音克隆和语音创建功能,可通过命令行界面(CLI)和 Web UI 两种方式使用。用户可以根据需求调整语音的性别、音高、速度等参数,生成高质量的语音。该项目适用于多种场景,如有声读物制作、智能语音助手开发等。

Trae

Trae

字节跳动发布的AI编程神器IDE

Trae是一种自适应的集成开发环境(IDE),通过自动化和多元协作改变开发流程。利用Trae,团队能够更快速、精确地编写和部署代码,从而提高编程效率和项目交付速度。Trae具备上下文感知和代码自动完成功能,是提升开发效率的理想工具。

AI工具TraeAI IDE协作生产力转型热门
咔片PPT

咔片PPT

AI助力,做PPT更简单!

咔片是一款轻量化在线演示设计工具,借助 AI 技术,实现从内容生成到智能设计的一站式 PPT 制作服务。支持多种文档格式导入生成 PPT,提供海量模板、智能美化、素材替换等功能,适用于销售、教师、学生等各类人群,能高效制作出高品质 PPT,满足不同场景演示需求。

讯飞绘文

讯飞绘文

选题、配图、成文,一站式创作,让内容运营更高效

讯飞绘文,一个AI集成平台,支持写作、选题、配图、排版和发布。高效生成适用于各类媒体的定制内容,加速品牌传播,提升内容营销效果。

热门AI辅助写作AI工具讯飞绘文内容运营AI创作个性化文章多平台分发AI助手
材料星

材料星

专业的AI公文写作平台,公文写作神器

AI 材料星,专业的 AI 公文写作辅助平台,为体制内工作人员提供高效的公文写作解决方案。拥有海量公文文库、9 大核心 AI 功能,支持 30 + 文稿类型生成,助力快速完成领导讲话、工作总结、述职报告等材料,提升办公效率,是体制打工人的得力写作神器。

openai-agents-python

openai-agents-python

OpenAI Agents SDK,助力开发者便捷使用 OpenAI 相关功能。

openai-agents-python 是 OpenAI 推出的一款强大 Python SDK,它为开发者提供了与 OpenAI 模型交互的高效工具,支持工具调用、结果处理、追踪等功能,涵盖多种应用场景,如研究助手、财务研究等,能显著提升开发效率,让开发者更轻松地利用 OpenAI 的技术优势。

Hunyuan3D-2

Hunyuan3D-2

高分辨率纹理 3D 资产生成

Hunyuan3D-2 是腾讯开发的用于 3D 资产生成的强大工具,支持从文本描述、单张图片或多视角图片生成 3D 模型,具备快速形状生成能力,可生成带纹理的高质量 3D 模型,适用于多个领域,为 3D 创作提供了高效解决方案。

3FS

3FS

一个具备存储、管理和客户端操作等多种功能的分布式文件系统相关项目。

3FS 是一个功能强大的分布式文件系统项目,涵盖了存储引擎、元数据管理、客户端工具等多个模块。它支持多种文件操作,如创建文件和目录、设置布局等,同时具备高效的事件循环、节点选择和协程池管理等特性。适用于需要大规模数据存储和管理的场景,能够提高系统的性能和可靠性,是分布式存储领域的优质解决方案。

下拉加载更多