Skip to main content
CenXiv.org
此网站处于试运行阶段,支持我们!
我们衷心感谢所有贡献者的支持。
贡献
赞助
cenxiv logo > cs > arXiv:2501.05952

帮助 | 高级搜索

计算机科学 > 计算机视觉与模式识别

arXiv:2501.05952 (cs)
[提交于 2025年1月10日 (v1) ,最后修订 2025年6月9日 (此版本, v3)]

标题: 通过高质量数据整理实现可扩展的视觉语言模型训练

标题: Scalable Vision Language Model Training via High Quality Data Curation

Authors:Hongyuan Dong, Zijian Kang, Weijie Yin, Xiao Liang, Chao Feng, Jiao Ran
摘要: 本文介绍了一个名为SAIL-VL(通过高质量数据整理实现可扩展视觉语言模型训练)的开源视觉语言模型(VLM)系列,该系列在2B和8B参数规模上达到了最先进的性能(SOTA)。 以下三个关键改进促成了SAIL-VL的领先性能:(1)可扩展的高质量视觉理解数据构建:我们实施了一条数据构建管道,以实现亿级规模的高质量重新标注数据注释。所得到的数据集SAIL-Caption被验证与开源数据集相比具有最高的数据质量。(2)使用高质量视觉理解数据进行可扩展预训练:我们将SAIL-VL的预训练预算扩展到655B个标记,并表明即使是2B的VLM也能从扩大的训练数据量中受益,在基准测试性能上表现出对数数据规模缩放定律。(3)通过数据量和复杂度缩放实现可扩展的SFT:我们策划了一组高质量的SFT数据集收集,具有领先的数量缩放效果,并证明使用逐步增加复杂性的数据训练大大超过了基线的一阶段训练。 在我们的评估中,SAIL-VL系列模型在18个广泛使用的VLM基准测试中取得了最高的平均分,其中2B模型在OpenCompass 2024(https://rank.opencompass.org.cn/leaderboard-multimodal)上的同类大小的VLM中排名第一,展示了强大的视觉理解能力。SAIL-VL系列模型已在HuggingFace(https://huggingface.co/BytedanceDouyinContent)发布。
摘要: In this paper, we introduce SAIL-VL (ScAlable Vision Language Model TraIning via High QuaLity Data Curation), an open-source vision language model (VLM) series achieving state-of-the-art (SOTA) performance in 2B and 8B parameters. The following three key improvements contribute to SAIL-VL's leading performance: (1) Scalable high-quality visual understanding data construction: We implement a data construction pipeline to enable hundred-million-scale high-quality recaption data annotation. The resulted dataset SAIL-Caption is validated to be of the highest data quality compared with opensource datasets. (2) Scalable Pretraining with High-Quality Visual Understanding Data: We scale SAIL-VL's pretraining budget up to 655B tokens and show that even a 2B VLM benefits from scaled up training data sizes, exhibiting logarithmic data size scaling laws in benchmark performance. (3) Scalable SFT via data quantity and complexity scaling: We curate a high-quality SFT dataset collection with leading data quantity scaling effectiveness and demonstrate that training with progressively higher-complexity data surpasses baseline one-stage training by a large margin. SAIL-VL series models achieve the highest average score in 18 widely used VLM benchmarks in our evaluation, with the 2B model takes the top position over VLMs of comparable sizes on OpenCompass 2024 (https://rank.opencompass.org.cn/leaderboard-multimodal), demonstrating robust visual comprehension abilities. SAIL-VL series models are released at HuggingFace (https://huggingface.co/BytedanceDouyinContent).
评论: ACL 2025 主会议
主题: 计算机视觉与模式识别 (cs.CV) ; 计算与语言 (cs.CL)
引用方式: arXiv:2501.05952 [cs.CV]
  (或者 arXiv:2501.05952v3 [cs.CV] 对于此版本)
  https://doi.org/10.48550/arXiv.2501.05952
通过 DataCite 发表的 arXiv DOI

提交历史

来自: Hongyuan Dong [查看电子邮件]
[v1] 星期五, 2025 年 1 月 10 日 13:27:04 UTC (3,743 KB)
[v2] 星期一, 2025 年 2 月 17 日 12:04:53 UTC (5,623 KB)
[v3] 星期一, 2025 年 6 月 9 日 02:56:55 UTC (4,396 KB)
全文链接:

获取论文:

    查看标题为《》的 PDF
  • 查看中文 PDF
  • 查看 PDF
  • HTML(实验性)
  • TeX 源代码
  • 其他格式
许可图标 查看许可
当前浏览上下文:
cs.CV
< 上一篇   |   下一篇 >
新的 | 最近的 | 2025-01
切换浏览方式为:
cs
cs.CL

参考文献与引用

  • NASA ADS
  • 谷歌学术搜索
  • 语义学者
a 导出 BibTeX 引用 加载中...

BibTeX 格式的引用

×
数据由提供:

收藏

BibSonomy logo Reddit logo

文献和引用工具

文献资源探索 (什么是资源探索?)
连接的论文 (什么是连接的论文?)
Litmaps (什么是 Litmaps?)
scite 智能引用 (什么是智能引用?)

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

复制 (什么是复制?)
Hugging Face Spaces (什么是 Spaces?)
TXYZ.AI (什么是 TXYZ.AI?)

推荐器和搜索工具

影响之花 (什么是影响之花?)
核心推荐器 (什么是核心?)
IArxiv 推荐器 (什么是 IArxiv?)
  • 作者
  • 地点
  • 机构
  • 主题

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.

这篇论文的哪些作者是支持者? | 禁用 MathJax (什么是 MathJax?)
  • 关于
  • 帮助
  • contact arXivClick here to contact arXiv 联系
  • 订阅 arXiv 邮件列表点击这里订阅 订阅
  • 版权
  • 隐私政策
  • 网络无障碍帮助
  • arXiv 运营状态
    通过...获取状态通知 email 或者 slack

京ICP备2025123034号