NVILA: Modelli Linguistici Visivi Efficienti per il Fronteira

NVILA: Efficient Frontier Visual Language Models

December 5, 2024

Autori: Zhijian Liu, Ligeng Zhu, Baifeng Shi, Zhuoyang Zhang, Yuming Lou, Shang Yang, Haocheng Xi, Shiyi Cao, Yuxian Gu, Dacheng Li, Xiuyu Li, Yunhao Fang, Yukang Chen, Cheng-Yu Hsieh, De-An Huang, An-Chieh Cheng, Vishwesh Nath, Jinyi Hu, Sifei Liu, Ranjay Krishna, Daguang Xu, Xiaolong Wang, Pavlo Molchanov, Jan Kautz, Hongxu Yin, Song Han, Yao Lu

cs.AI

Abstract

I modelli di linguaggio visivo (VLM) hanno fatto significativi progressi in termini di accuratezza negli ultimi anni. Tuttavia, la loro efficienza ha ricevuto molta meno attenzione. Questo articolo introduce NVILA, una famiglia di VLM aperti progettati per ottimizzare sia l'efficienza che l'accuratezza. Basandoci su VILA, miglioriamo l'architettura del modello innanzitutto aumentando le risoluzioni spaziali e temporali, e poi comprimendo i token visivi. Questo approccio "scala-quindi-comprimi" consente a NVILA di processare efficientemente immagini ad alta risoluzione e video lunghi. Conduci anche un'indagine sistematica per migliorare l'efficienza di NVILA lungo l'intero ciclo di vita, dalla formazione e messa a punto alla distribuzione. NVILA eguaglia o supera l'accuratezza di molti dei principali VLM aperti e proprietari su una vasta gamma di benchmark di immagini e video. Allo stesso tempo, riduce i costi di formazione del 4,5X, l'utilizzo della memoria per la messa a punto del 3,4X, la latenza di pre-riempimento del 1,6-2,2X e la latenza di decodifica del 1,2-2,8X. Presto renderemo disponibili il nostro codice e i modelli per facilitare la riproducibilità.

English

Visual language models (VLMs) have made significant advances in accuracy in recent years. However, their efficiency has received much less attention. This paper introduces NVILA, a family of open VLMs designed to optimize both efficiency and accuracy. Building on top of VILA, we improve its model architecture by first scaling up the spatial and temporal resolutions, and then compressing visual tokens. This "scale-then-compress" approach enables NVILA to efficiently process high-resolution images and long videos. We also conduct a systematic investigation to enhance the efficiency of NVILA throughout its entire lifecycle, from training and fine-tuning to deployment. NVILA matches or surpasses the accuracy of many leading open and proprietary VLMs across a wide range of image and video benchmarks. At the same time, it reduces training costs by 4.5X, fine-tuning memory usage by 3.4X, pre-filling latency by 1.6-2.2X, and decoding latency by 1.2-2.8X. We will soon make our code and models available to facilitate reproducibility.