计算机科学 > 机器学习
[提交于 2025年2月1日
]
标题: 莫达:用于视觉语言模型的自动化预训练模型选择
标题: Mordal: Automated Pretrained Model Selection for Vision Language Models
摘要: 将多模态数据整合到大型语言模型(LLMs)中是一种有效增强其理解非文本数据能力的方法,使其能够执行多模态任务。由于具有许多实际应用场景(如医疗保健、机器人技术和无障碍领域),视觉语言模型(VLMs)已成为多模态模型中增长最快的类别。 然而不幸的是,尽管文献中的不同VLM在不同的基准测试中展示了令人印象深刻的视觉能力,但它们是由人类专家手工设计的;目前尚无自动化框架可以创建针对特定任务的多模态模型。 我们介绍了Mordal,这是一种自动化的多模态模型搜索框架,能够在无需人工干预的情况下高效地找到适合用户定义任务的最佳VLM。 Mordal通过在搜索过程中减少需要考虑的候选者数量以及最小化评估每个剩余候选者所需的时间来实现这一目标。 我们的评估表明,与网格搜索相比,Mordal可以使用低至$8.9\times$--$11.6\times$倍的GPU小时数找到给定问题的最佳VLM。 在我们的评估过程中,我们还发现了性能优于现有最先进水平的新VLM。
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.