Vary-toy 团队投稿
量子位公众号 QbitAI
一款名为 Vary-toy 的“年轻人的第一个多模态大模型”来了！
模型大小不到 2B，消费级显卡可训练，GTX1080ti、8G 的老显卡轻松运行。
想将一份文档图片转换成 Markdown 格式？以往需要文本识别、布局检测和排序、公式表格处理、文本清洗等多个步骤。
现在只需一句话命令：
无论中英文，图片中的大段文字都能分分钟提取出来：
对一张图做对象检测，还是能给出具体坐标的那种：
这项研究由来自旷视、国科大、华中大的研究人员共同提出。
据介绍，Vary-toy 虽小，但却几乎涵盖了目前 LVLM（大型视觉语言模型）主流研究中的所有能力：文档 OCR 识别（Document OCR）、视觉定位（Visual Grounding）、图像描述（Image Caption）、视觉问答（VQA）。
现在，Vary-toy 代码和模型均已开源，并有在线 demo 可试玩。
网友一边表示感兴趣，一边关注点在于旧·GTX1080，心情 belike：
“缩小版”Vary
其实，早在去年 12 月 Vary 团队就发布了 Vary 的首项研究成果“Vary: Scaling up the Vision Vocabulary for Large Vision-Language Models”。
研究人员指出 CLIP 视觉词表在密集感知能力上的不足，并用一种简单有效的扩充词表方案给出了一种全新的 OCR 范式。
Vary 发布后得到广泛关注，目前 Github 1.2k+ star，但也有不少人因为资源受限运行不了。
考虑到目前开源得很好且性能出色的“小”VLM 比较少，于是该团队又新发布了号称是“年轻人的第一个多模大模型”的 Vary-toy。
与 Vary 相比，Vary-toy 除了小之外，也训练了更强的视觉词表，新的词表不再将模型局限于文档级 OCR，而是给出了一个更加通用和全面的视觉词表，其不仅能做文档级 OCR，还能做通用视觉目标检测。
那这究竟是如何做到的？
Vary-toy 的模型结构和训练流程如下图所示，总的来说，训练共分两个阶段。
首先在第一阶段，使用 Vary-tiny+ 结构，预训练出一个相比原版 Vary 更好的视觉词表，新的视觉词表解决了原 Vary 只用它做文档级 OCR 的网络容量浪费问题、以及没有充分利用到 SAM 预训练优势的问题。
然后在第二阶段中，将第一阶段中训好的视觉词表 merge 到最终结构进行 multi-task training/SFT。
众所周知，一个好的数据配比对于产生一个能力全面的 VLM 是至关重要的。
因此在预训练阶段，Vary-toy 使用了 5 种任务类型的数据构建对话，数据配比和示例 prompt 如下图所示：
而在 SFT 阶段，只使用了 LLaVA-80K 数据。更多的技术细节，可以查看 Vary-toy 的技术报告。
实验测试结果
Vary-toy 在 DocVQA、ChartQA、RefCOCO、MMVet 四个基准测试的得分如下：
Vary-toy 在 DocVQA 上可以达到 65.6% 的 ANLS，在 ChartQA 上达到 59.1% 的准确率，RefCOCO88.1% 的准确率：
MMVet 上可以达到 29% 准确率，无论是从基准测试评分上还是可视化效果上，不到 2B 的 Vary-toy 甚至能和一些流行的 7B 模型的性能一较高下。
项目链接：
