VARGPT-v1.1: Miglioramento del Modello Unificato Autoregressivo Visivo di Grande Scala attraverso Sintonizzazione Iterativa delle Istruzioni e Apprendimento per Rinforzo

VARGPT-v1.1: Improve Visual Autoregressive Large Unified Model via Iterative Instruction Tuning and Reinforcement Learning

April 3, 2025

Autori: Xianwei Zhuang, Yuxin Xie, Yufan Deng, Dongchao Yang, Liming Liang, Jinghan Ru, Yuguo Yin, Yuexian Zou

cs.AI

Abstract

In questo lavoro presentiamo VARGPT-v1.1, un modello autoregressivo visivo unificato e avanzato che si basa sul nostro precedente framework VARGPT. Il modello preserva il paradigma duale di previsione del token successivo per la comprensione visiva e generazione alla scala successiva per la sintesi di immagini. Nello specifico, VARGPT-v1.1 integra: (1) una nuova strategia di addestramento che combina l'ottimizzazione iterativa delle istruzioni visive con l'apprendimento per rinforzo tramite Direct Preference Optimization (DPO), (2) un corpus di addestramento ampliato contenente 8,3 milioni di coppie di istruzioni visivo-generative, (3) un backbone di modello linguistico aggiornato basato su Qwen2, (4) una risoluzione migliorata nella generazione di immagini e (5) capacità emergenti di editing delle immagini senza modifiche architetturali. Questi progressi consentono a VARGPT-v1.1 di raggiungere prestazioni all'avanguardia nelle attività di comprensione multimodale e di esecuzione di istruzioni testo-immagine, dimostrando miglioramenti significativi sia nelle metriche di comprensione che di generazione. In particolare, attraverso l'ottimizzazione delle istruzioni visive, il modello acquisisce funzionalità di editing delle immagini mantenendo la coerenza architetturale con il suo predecessore, rivelando il potenziale per una comprensione, generazione e editing visivo unificati. I nostri risultati suggeriscono che modelli autoregressivi visivi unificati ben progettati possono adottare efficacemente strategie di addestramento flessibili dai grandi modelli linguistici (LLM), mostrando una promettente scalabilità. Il codice e i pesi del modello sono disponibili pubblicamente all'indirizzo https://github.com/VARGPT-family/VARGPT-v1.1.

English

In this work, we present VARGPT-v1.1, an advanced unified visual autoregressive model that builds upon our previous framework VARGPT. The model preserves the dual paradigm of next-token prediction for visual understanding and next-scale generation for image synthesis. Specifically, VARGPT-v1.1 integrates: (1) a novel training strategy combining iterative visual instruction tuning with reinforcement learning through Direct Preference Optimization (DPO), (2) an expanded training corpus containing 8.3M visual-generative instruction pairs, (3) an upgraded language model backbone using Qwen2, (4) enhanced image generation resolution, and (5) emergent image editing capabilities without architectural modifications. These advancements enable VARGPT-v1.1 to achieve state-of-the-art performance in multimodal understanding and text-to-image instruction-following tasks, demonstrating significant improvements in both comprehension and generation metrics. Notably, through visual instruction tuning, the model acquires image editing functionality while maintaining architectural consistency with its predecessor, revealing the potential for unified visual understanding, generation, and editing. Our findings suggest that well-designed unified visual autoregressive models can effectively adopt flexible training strategies from large language models (LLMs), exhibiting promising scalability. The codebase and model weights are publicly available at https://github.com/VARGPT-family/VARGPT-v1.1.