字节、华师、华科联合提出TextSquare，8B参数量的文字多模态大模型指标逼近GPT4V

关注公众号，发现CV技术之美引言近期多模态大模型(MLLM)在文本中心的VQA领域取得了显著进展，尤其是多个闭源的例如GPT4V和Gemini，甚至在某些方面展现了超越人类的能力。但是开源模型的性能还远远落后于闭源模型，最近许多开创性的研究例如MonKey、LLaVAR、TG-Doc、ShareGPT4V等已开始关注指令微调数据不足的问题，尽管这些努力取得了显著的效果，但仍存在一些问题，图像描述数据和VQA数据属于不同的领域，图像内容呈现的粒度和范围存在不一致性。此外，合成数据的规模相对较小，使得MLLM无法充分发挥潜力。论文地址：https://arxiv.org/abs/2404.12803为了减少这一差距，来自字节跳动&华东师大&华中科大的研究员提出了一种新的策略，称为Square，即从先进的闭源MLLMs中获得大量高质量的以文本中心的VQA数据，并构建了一个千万级指令微调数据集（Square-10M） ………………………………