AIGC動態歡迎閱讀

原標題：將多模態大模型稀疏化，3B模型MoE-LLaVA媲美LLaVA-1.5-7B
關鍵字：模型,報告,專家,性能,參數
文章來源：機器之心
內容字數：5828字

內容摘要：

機器之心專欄
機器之心編輯部對于大型視覺語言模型（LVLM）而言，擴展模型可以有效提高模型性能。然而，擴大參數規模會顯著增加訓練和推理成本，因為計算中每個 token 都會激活所有模型參數。
基于此，來自北京大學、中山大學等機構的研究者聯合提出了一種新穎的 LVLM 訓練策略 ——MoE-Tuning。MoE-Tuning可以構建參數數量驚人但計算成本恒定的稀疏模型，并有效解決通常與多模態學習和模型稀疏性相關的性能下降問題。該研究還提出了一種基于 MoE 的新型稀疏 LVLM 架構 ——MoE-LLaVA 框架。該框架獨特地在部署過程中通過路由算法僅激活 top-k 專家（expert），其余專家保持非活動（inactive）狀態。論文地址：https://arxiv.org/abs/2401.15947
項目地址：https://github.com/PKU-YuanGroup/MoE-LLaVA
Demo地址：https://huggingface.co/spaces/LanguageBind/MoE-LLaVA
論文題目：MoE-LLaVA: Mixture of Experts

原文鏈接：將多模態大模型稀疏化，3B模型MoE-LLaVA媲美LLaVA-1.5-7B

聯系作者

文章來源：機器之心
作者微信：almosthuman2014
作者簡介：專業的人工智能媒體和產業服務平臺