LLaVA 1.5 : Une alternative open source à GPT-4 Vision
Le domaine de l’intelligence artificielle générative connaît une effervescence avec l’émergence des grands modèles langage 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 entraver leur adoption universelle. C’est dans ce contexte que la communauté open source entre en jeu, 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 associent un modèle pré-entraîné pour coder les éléments visuels, un grand modèle de langage (LLM) pour décrypter et répondre aux instructions de l’utilisateur, et 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, comprenant 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, expose des résultats prometteurs, même avec un budget limité. Cependant, une restriction subsiste : l’utilisation des données générées par ChatGPT limite son utilisation à des fins non commerciales.
Malgré cette limitation, LLaVA 1.5 ouvre une perspective sur l’avenir des LMM open source. Sa rentabilité, son évolutivité dans la génération de données d’entraînement et son efficacité dans l’ajustement des instructions visuelles en font un avant-goût des innovations à venir.
LLaVA 1.5 n’est que le premier élément d’une mélodie qui résonnera au rythme des avancées de la communauté open source. En anticipant des modèles plus efficaces et accessibles, nous pouvons envisager un avenir où la technologie IA générative sera à la portée de tous, révélant ainsi le potentiel illimité de l’intelligence artificielle.