要約
マルチモーダル大規模言語モデル（MLLMs）において、視覚プロジェクターは事前学習済みのビジョンエンコーダとLLMsをつなぐ重要な役割を果たし、豊かな視覚理解を実現しながら、LLMsの強固な能力を活用します。視覚プロジェクターの重要性にもかかわらず、その研究は比較的少ないのが現状です。本研究では、まず以下の2つの重要なプロジェクター特性を特定しました：(i) 視覚トークン数の管理における柔軟性、これはMLLMs全体の効率にとって不可欠であり、(ii) 視覚特徴から局所的なコンテキストを保全すること、これは空間理解にとって重要です。これらの知見に基づいて、柔軟性と局所性強化の両方を備えた新しいプロジェクターデザインを提案します。これにより、2つの望ましい特性が効果的に満たされます。さらに、多様で複雑な指示データセットを効果的に利用するための包括的な戦略も提示します。広範囲にわたる実験を通じて、個々の設計選択肢の影響を検討しました。最終的に、提案したMLLM「ハニービー」は様々なベンチマーク（MME, MMBench, SEED-Bench, LLaVA-Bench）において以前の最先端手法を大幅に上回り、著しく高い効率性を達成しています。コードとモデルはhttps://github.com/kakaobrain/honeybee で公開されています。