Technischer Bericht zu Baichuan-Omni-1.5

Baichuan-Omni-1.5 Technical Report

January 26, 2025

Autoren: Yadong Li, Jun Liu, Tao Zhang, Tao Zhang, Song Chen, Tianpeng Li, Zehuan Li, Lijun Liu, Lingfeng Ming, Guosheng Dong, Da Pan, Chong Li, Yuanbo Fang, Dongdong Kuang, Mingrui Wang, Chenglin Zhu, Youwei Zhang, Hongyu Guo, Fengyu Zhang, Yuran Wang, Bowen Ding, Wei Song, Xu Li, Yuqi Huo, Zheng Liang, Shusen Zhang, Xin Wu, Shuai Zhao, Linchu Xiong, Yozhen Wu, Jiahui Ye, Wenhao Lu, Bowen Li, Yan Zhang, Yaqi Zhou, Xin Chen, Lei Su, Hongda Zhang, Fuzhong Chen, Xuezhen Dong, Na Nie, Zhiying Wu, Bin Xiao, Ting Li, Shunya Dang, Ping Zhang, Yijia Sun, Jincheng Wu, Jinjie Yang, Xionghai Lin, Zhi Ma, Kegeng Wu, Jia li, Aiyuan Yang, Hui Liu, Jianqiang Zhang, Xiaoxi Chen, Guangwei Ai, Wentao Zhang, Yicong Chen, Xiaoqin Huang, Kun Li, Wenjing Luo, Yifei Duan, Lingling Zhu, Ran Xiao, Zhe Su, Jiani Pu, Dian Wang, Xu Jia, Tianyu Zhang, Mengyu Ai, Mang Wang, Yujing Qiao, Lei Zhang, Yanjun Shen, Fan Yang, Miao Zhen, Yijie Zhou, Mingyang Chen, Fei Li, Chenzheng Zhu, Keer Lu, Yaqi Zhao, Hao Liang, Youquan Li, Yanzhao Qin, Linzhuang Sun, Jianhua Xu, Haoze Sun, Mingan Lin, Zenan Zhou, Weipeng Chen

cs.AI

Zusammenfassung

Wir stellen Baichuan-Omni-1.5 vor, ein omni-modales Modell, das nicht nur omni-modale Verständnisfähigkeiten aufweist, sondern auch End-to-End-Audioerzeugungsfähigkeiten bietet. Um eine fließende und hochwertige Interaktion über Modalitäten hinweg zu erreichen, ohne die Fähigkeiten einer Modalität zu beeinträchtigen, haben wir uns darauf konzentriert, drei Schlüsselaspekte zu optimieren. Erstens etablieren wir eine umfassende Datenbereinigungs- und -synthesepipeline für multimodale Daten und erhalten etwa 500B hochwertige Daten (Text, Audio und Vision). Zweitens wurde ein Audio-Tokenizer (Baichuan-Audio-Tokenizer) entwickelt, um sowohl semantische als auch akustische Informationen aus Audio zu erfassen, was eine nahtlose Integration und verbesserte Kompatibilität mit MLLM ermöglicht. Schließlich haben wir eine mehrstufige Schulungsstrategie entworfen, die allmählich multimodale Ausrichtung und Multitask-Feinabstimmung integriert und so eine effektive Synergie über alle Modalitäten hinweg sicherstellt. Baichuan-Omni-1.5 übertrifft zeitgenössische Modelle (einschließlich GPT4o-mini und MiniCPM-o 2.6) in Bezug auf umfassende omni-modale Fähigkeiten. Bemerkenswerterweise erzielt es Ergebnisse, die mit führenden Modellen wie Qwen2-VL-72B vergleichbar sind, über verschiedene multimodale medizinische Benchmarks hinweg.

English

We introduce Baichuan-Omni-1.5, an omni-modal model that not only has omni-modal understanding capabilities but also provides end-to-end audio generation capabilities. To achieve fluent and high-quality interaction across modalities without compromising the capabilities of any modality, we prioritized optimizing three key aspects. First, we establish a comprehensive data cleaning and synthesis pipeline for multimodal data, obtaining about 500B high-quality data (text, audio, and vision). Second, an audio-tokenizer (Baichuan-Audio-Tokenizer) has been designed to capture both semantic and acoustic information from audio, enabling seamless integration and enhanced compatibility with MLLM. Lastly, we designed a multi-stage training strategy that progressively integrates multimodal alignment and multitask fine-tuning, ensuring effective synergy across all modalities. Baichuan-Omni-1.5 leads contemporary models (including GPT4o-mini and MiniCPM-o 2.6) in terms of comprehensive omni-modal capabilities. Notably, it achieves results comparable to leading models such as Qwen2-VL-72B across various multimodal medical benchmarks.