Technisch Rapport Baichuan-Omni-1.5

Baichuan-Omni-1.5 Technical Report

January 26, 2025

Auteurs: 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

Samenvatting

We introduceren Baichuan-Omni-1.5, een omni-modaal model dat niet alleen omni-modale begripsmogelijkheden heeft, maar ook end-to-end audiogeneratiemogelijkheden biedt. Om vloeiende en hoogwaardige interactie over modaliteiten heen te bereiken zonder de mogelijkheden van enige modaliteit in gevaar te brengen, hebben we prioriteit gegeven aan het optimaliseren van drie belangrijke aspecten. Ten eerste hebben we een uitgebreide gegevensreinigings- en synthese-pijplijn opgezet voor multimodale gegevens, waarbij ongeveer 500B hoogwaardige gegevens (tekst, audio en visie) zijn verkregen. Ten tweede is er een audio-tokenizer (Baichuan-Audio-Tokenizer) ontworpen om zowel semantische als akoestische informatie uit audio vast te leggen, waardoor naadloze integratie en verbeterde compatibiliteit met MLLM mogelijk is. Ten slotte hebben we een meertraps trainingsstrategie ontworpen die progressief multimodale uitlijning en multitask fine-tuning integreert, met als doel effectieve synergie over alle modaliteiten te waarborgen. Baichuan-Omni-1.5 leidt hedendaagse modellen (inclusief GPT4o-mini en MiniCPM-o 2.6) wat betreft uitgebreide omni-modale mogelijkheden. Opmerkelijk genoeg behaalt het resultaten die vergelijkbaar zijn met toonaangevende modellen zoals Qwen2-VL-72B over verschillende multimodale medische benchmarks.

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.