OmniBench: 범용 옴니 언어 모델의 미래를 향하여

OmniBench: Towards The Future of Universal Omni-Language Models

September 23, 2024

저자: Yizhi Li, Ge Zhang, Yinghao Ma, Ruibin Yuan, Kang Zhu, Hangyu Guo, Yiming Liang, Jiaheng Liu, Jian Yang, Siwei Wu, Xingwei Qu, Jinjie Shi, Xinyue Zhang, Zhenzhu Yang, Xiangzhou Wang, Zhaoxiang Zhang, Zachary Liu, Emmanouil Benetos, Wenhao Huang, Chenghua Lin

cs.AI

초록

최근 다중 모달 대형 언어 모델(MLLMs)의 발전은 다양한 모달리티 간의 데이터를 통합하고 해석하기 위해 노력해왔습니다. 그러나 이러한 모델이 여러 모달리티를 동시에 처리하고 추론하는 능력은 아직 충분히 탐구되지 않았으며, 이는 종합적인 모달리티별 벤치마크의 부족 때문이기도 합니다. 우리는 OmniBench를 소개합니다. 이는 시각적, 음향적, 텍스트적 입력을 동시에 인식, 해석 및 추론하는 모델의 능력을 엄격하게 평가하기 위해 설계된 새로운 벤치마크입니다. 우리는 이러한 삼 모달 처리가 가능한 모델을 omni-language 모델(OLMs)로 정의합니다. OmniBench는 고품질의 인간 주석으로 구별되며, 정확한 응답을 위해서는 세 가지 모달리티를 통합적으로 이해하고 추론해야 합니다. 우리의 주요 발견은 다음과 같습니다: i) 오픈 소스 OLMs는 삼 모달 문맥 내에서의 지시 따르기 및 추론 능력에 중대한 제한이 있으며; ii) 대조적인 이미지와 오디오의 대체 텍스트 표현이 제공되더라도 베이스라인 모델은 성능이 낮습니다(50% 미만의 정확도). 이러한 결과는 텍스트, 이미지 및 오디오에서 일관된 문맥을 구성하는 능력이 기존 MLLM 교육 패러다임에서 종종 간과된다는 것을 시사합니다. 미래 연구가 더 강력한 삼 모달 통합 기술 및 교육 전략을 개발하여 OLM의 성능을 다양한 모달리티에 걸쳐 향상시키는 데 초점을 맞추기를 주장합니다. 코드 및 실시간 리더보드는 https://m-a-p.ai/OmniBench에서 찾을 수 있습니다.

English

Recent advancements in multimodal large language models (MLLMs) have aimed to integrate and interpret data across diverse modalities. However, the capacity of these models to concurrently process and reason about multiple modalities remains inadequately explored, partly due to the lack of comprehensive modality-wise benchmarks. We introduce OmniBench, a novel benchmark designed to rigorously evaluate models' ability to recognize, interpret, and reason across visual, acoustic, and textual inputs simultaneously. We define models capable of such tri-modal processing as omni-language models (OLMs). OmniBench is distinguished by high-quality human annotations, ensuring that accurate responses require integrated understanding and reasoning across all three modalities. Our main findings reveal that: i) open-source OLMs exhibit critical limitations in instruction-following and reasoning capabilities within tri-modal contexts; and ii) the baseline models perform poorly (below 50% accuracy) even when provided with alternative textual representations of images and audio. These results suggest that the ability to construct a consistent context from text, image, and audio is often overlooked in existing MLLM training paradigms. We advocate for future research to focus on developing more robust tri-modal integration techniques and training strategies to enhance OLM performance across diverse modalities. The codes and live leaderboard could be found at https://m-a-p.ai/OmniBench.