摘要：本文介绍了MM1.5，这是一种新的多模态大型语言模型（MLLM）系列，旨在增强文本丰富的图像理解、视觉指代与定位以及多图像推理的能力。基于MM1架构，MM1.5采用以数据为中心的模型训练方法，系统地探索各种数据混合对整个模型训练生命周期的影响。这包括高质量的OCR数据和合成标题用于持续预训练，以及优化的视觉指令调优数据混合用于监督微调。本文的模型参数范围从10亿到300亿，涵盖了密集型和专家混合（MoE）变体，证明了精心的数据策划和训练策略即使在小规模（10亿和30亿参数）下也能产生强大的性能。此外，本文还介绍了两个专门的变体：MM1.5-Video，旨在实现视频理解，和MM1.5-UI，专为移动用户界面理解而设计。通过广泛的实证研究和消融实验，本文提供了对训练过程和决策的详细见解，这些见解为作者最终的设计提供了依据，并为未来的MLLM开发研究提供了宝贵的指导。 。

研究背景： 多模态大型语言模型（MLLMs）是近年来研究的热点，封闭源模型和开源模型都展示出了显著的多模态理解能力。然而，对于如何开发结合推理时技术的系统，我们的理解仍然有限。

主要贡献：

1. 提出了MM1.5，包括从1B到30B参数的密集模型和MoE变体。

2. 介绍了两个专门变体：MM1.5-Video和MM1.5-UI。

3. 通过广泛的实证研究和消融实验，提供了详细的训练过程和决策见解。

研究方法： MM1.5采用了包括OCR数据和合成字幕的高质量数据进行持续预训练，以及针对监督微调优化的数据混合。研究了模型架构、数据预处理、模型优化，并进行了动态高分辨率图像编码的详细消融研究。

实验结果： MM1.5在各种基准测试中显示出强大的性能，包括多图像数据和文本丰富图像理解的能力。实验结果表明，即使是相对较小的MLLM（如1B和3B参数规模）也能在各种下游任务上实现有竞争力的性能。

结论： MM1.5在多模态任务处理方面实现了显著的性能提升，特别是在较小规模的模型上。此外，通过精心策划的数据和训练策略，MM1.5在多模态任务中表现出色。

一句话总结： MM1.5通过精心设计的训练策略和数据策划，在多模态大型语言模型领域实现了显著的性能提升，尤其是在较小规模模型上。

论文链接https://arxiv.org/abs/2409.20566