LLaVA-Mini: Efficient Image and Video Large Multimodal Models with One Vision Token

安全性令牌 计算机科学 计算机视觉 人工智能 图像(数学) 计算机安全
作者
Shaolei Zhang,Qingkai Fang,Zhe Yang,Yan Feng
出处
期刊:Cornell University - arXiv
标识
DOI:10.48550/arxiv.2501.03895
摘要

The advent of real-time large multimodal models (LMMs) like GPT-4o has sparked considerable interest in efficient LMMs. LMM frameworks typically encode visual inputs into vision tokens (continuous representations) and integrate them and textual instructions into the context of large language models (LLMs), where large-scale parameters and numerous context tokens (predominantly vision tokens) result in substantial computational overhead. Previous efforts towards efficient LMMs always focus on replacing the LLM backbone with smaller models, while neglecting the crucial issue of token quantity. In this paper, we introduce LLaVA-Mini, an efficient LMM with minimal vision tokens. To achieve a high compression ratio of vision tokens while preserving visual information, we first analyze how LMMs understand vision tokens and find that most vision tokens only play a crucial role in the early layers of LLM backbone, where they mainly fuse visual information into text tokens. Building on this finding, LLaVA-Mini introduces modality pre-fusion to fuse visual information into text tokens in advance, thereby facilitating the extreme compression of vision tokens fed to LLM backbone into one token. LLaVA-Mini is a unified large multimodal model that can support the understanding of images, high-resolution images, and videos in an efficient manner. Experiments across 11 image-based and 7 video-based benchmarks demonstrate that LLaVA-Mini outperforms LLaVA-v1.5 with just 1 vision token instead of 576. Efficiency analyses reveal that LLaVA-Mini can reduce FLOPs by 77%, deliver low-latency responses within 40 milliseconds, and process over 10,000 frames of video on the GPU hardware with 24GB of memory.
最长约 10秒,即可获得该文献文件

科研通智能强力驱动
Strongly Powered by AbleSci AI
更新
大幅提高文件上传限制,最高150M (2024-4-1)

科研通是完全免费的文献互助平台,具备全网最快的应助速度,最高的求助完成率。 对每一个文献求助,科研通都将尽心尽力,给求助人一个满意的交代。
实时播报
Lucas应助科研通管家采纳,获得10
刚刚
研友_VZG7GZ应助科研通管家采纳,获得10
刚刚
Ava应助科研通管家采纳,获得10
刚刚
JamesPei应助科研通管家采纳,获得10
刚刚
彭于晏应助科研通管家采纳,获得10
1秒前
1秒前
Akim应助科研通管家采纳,获得10
1秒前
123应助科研通管家采纳,获得10
1秒前
领导范儿应助科研通管家采纳,获得10
1秒前
Orange应助科研通管家采纳,获得10
1秒前
天天快乐应助科研通管家采纳,获得20
1秒前
烟花应助科研通管家采纳,获得10
1秒前
1秒前
1秒前
科研通AI2S应助科研通管家采纳,获得10
1秒前
1秒前
1秒前
MMMX发布了新的文献求助10
2秒前
2333完成签到 ,获得积分20
2秒前
neurospine完成签到,获得积分10
3秒前
zeven发布了新的文献求助30
3秒前
4秒前
研友_LX01RL完成签到,获得积分10
5秒前
5秒前
yan完成签到,获得积分10
7秒前
天天快乐应助廉凌波采纳,获得10
7秒前
Orange应助飞快的怀寒采纳,获得10
7秒前
饼干发布了新的文献求助10
7秒前
9秒前
10秒前
小金鱼完成签到,获得积分20
10秒前
婧婧发布了新的文献求助30
11秒前
坚强的纸飞机完成签到,获得积分10
12秒前
廉凌波完成签到,获得积分10
12秒前
乐观银耳汤完成签到 ,获得积分10
12秒前
sasa发布了新的文献求助30
12秒前
xfy完成签到,获得积分10
12秒前
14秒前
乐观银耳汤关注了科研通微信公众号
16秒前
peggy完成签到,获得积分10
16秒前
高分求助中
Licensing Deals in Pharmaceuticals 2019-2024 3000
Cognitive Paradigms in Knowledge Organisation 2000
Practical Pulmonary Pathology 1000
Mantiden: Faszinierende Lauerjäger Faszinierende Lauerjäger Heßler, Claudia, Rud 1000
PraxisRatgeber: Mantiden: Faszinierende Lauerjäger 1000
Natural History of Mantodea 螳螂的自然史 1000
A Photographic Guide to Mantis of China 常见螳螂野外识别手册 800
热门求助领域 (近24小时)
化学 医学 材料科学 生物 工程类 有机化学 生物化学 物理 内科学 纳米技术 计算机科学 化学工程 复合材料 遗传学 基因 物理化学 催化作用 量子力学 冶金 电极
热门帖子
关注 科研通微信公众号,转发送积分 3318150
求助须知:如何正确求助?哪些是违规求助? 2949464
关于积分的说明 8546274
捐赠科研通 2625891
什么是DOI,文献DOI怎么找? 1437001
科研通“疑难数据库(出版商)”最低求助积分说明 666040
邀请新用户注册赠送积分活动 652067