LLaVA 1.5 : Une alternative open source à GPT-4 Vision
L’univers de l’intelligence artificielle générative connaît une effervescence avec l’émergence des grands modèles multimodaux (LMM), tels que GPT-4 Vision d’OpenAI. Ces modèles révolutionnent notre interaction avec les systèmes d’IA en intégrant à la fois du texte et des images.
Cependant, la nature fermée et commerciale de certaines de ces technologies peut limiter leur adoption universelle. C’est dans ce contexte que la communauté open source entre en jeu, en propulsant le modèle LLaVA 1.5 comme une alternative prometteuse à GPT-4 Vision.
La mécanique des LMM
Les LMM fonctionnent grâce à une architecture multicouche. Ils combinent un modèle pré-entraîné pour encoder les éléments visuels, un grand modèle de langage (LLM) pour décoder et répondre aux instructions de l’utilisateur, ainsi qu’un connecteur multimodal pour faire le lien entre la vision et le langage.
Leur formation se déroule en deux étapes : une première phase d’alignement entre la vision et le langage, suivie d’un ajustement fin pour répondre aux requêtes visuelles. Ce processus, bien qu’efficace, nécessite souvent des ressources computationnelles importantes et une base de données riche et précise.
Les atouts de LLaVA 1.5
LLaVA 1.5 s’appuie sur le modèle CLIP pour l’encodage visuel et Vicuna pour le langage. Le modèle original, LLaVA, utilisait les versions textuelles de ChatGPT et GPT-4 pour l’ajustement visuel, générant ainsi 158 000 exemples d’entraînement.
LLaVA 1.5 va plus loin en connectant le modèle de langage et l’encodeur visuel via un perceptron multicouche (MLP), enrichissant sa base de données d’entraînement avec des questions-réponses visuelles. Cette mise à jour, qui comprend environ 600 000 exemples, a permis à LLaVA 1.5 de surpasser d’autres LMM open source sur 11 des 12 benchmarks multimodaux.
L’avenir des LMM open source
La démonstration en ligne de LLaVA 1.5, accessible à tous, présente des résultats prometteurs, même avec un budget limité. Cependant, une limite subsiste : l’utilisation des données générées par ChatGPT restreint son utilisation à des fins non commerciales.
Malgré cette limitation, LLaVA 1.5 ouvre une fenêtre sur l’avenir des LMM open source. Sa rentabilité, sa capacité à générer efficacement des données d’entraînement et son efficacité dans l’ajustement des instructions visuelles font de lui un précurseur des futures innovations.
LLaVA 1.5 n’est que le premier pas d’une mélodie qui résonnera au rythme des avancées de la communauté open source. En anticipant des modèles plus performants et accessibles, nous pouvons envisager un avenir où la technologie de l’IA générative sera à la portée de tous, révélant ainsi le potentiel illimité de l’intelligence artificielle.