计算机科学 > 计算机视觉与模式识别
[提交于 2025年1月4日
]
标题: 基准测试大型和小型多模态大语言模型
标题: Benchmarking Large and Small MLLMs
摘要: 大型多模态语言模型(MLLMs),如GPT-4V和GPT-4o,在理解和生成多模态内容方面取得了显著进展,展示了在各种任务中卓越的质量和能力。 然而,它们的部署面临重大挑战,包括推理速度慢、计算成本高以及在设备端应用的不实用性。 相比之下,小型MLLMs的出现,例如LLava系列模型和Phi-3-Vision,提供了有前景的替代方案,具有更快的推理速度、更低的部署成本以及处理特定领域场景的能力。 尽管它们的存在日益增加,但大型和小型MLLMs之间的能力边界仍缺乏深入研究。 在本工作中,我们进行了一项系统且全面的评估,以对小型和大型MLLMs进行基准测试,涵盖通用能力,如物体识别、时间推理和多模态理解,以及在工业和汽车等领域的实际应用。 我们的评估结果显示,小型MLLMs在特定场景中可以达到与大型模型相当的性能,但在需要更深层次推理或细微理解的复杂任务中明显落后。 此外,我们识别了小型和大型MLLMs中的常见失败案例,突显了即使最先进的模型也难以应对的领域。 我们希望我们的发现能够指导研究界推动MLLMs的质量边界,提升其在各种应用中的可用性和有效性。
文献和引用工具
与本文相关的代码,数据和媒体
alphaXiv (什么是 alphaXiv?)
CatalyzeX 代码查找器 (什么是 CatalyzeX?)
DagsHub (什么是 DagsHub?)
Gotit.pub (什么是 GotitPub?)
Hugging Face (什么是 Huggingface?)
带有代码的论文 (什么是带有代码的论文?)
ScienceCast (什么是 ScienceCast?)
演示
推荐器和搜索工具
arXivLabs:与社区合作伙伴的实验项目
arXivLabs 是一个框架,允许合作伙伴直接在我们的网站上开发和分享新的 arXiv 特性。
与 arXivLabs 合作的个人和组织都接受了我们的价值观,即开放、社区、卓越和用户数据隐私。arXiv 承诺这些价值观,并且只与遵守这些价值观的合作伙伴合作。
有一个为 arXiv 社区增加价值的项目想法吗? 了解更多关于 arXivLabs 的信息.