اکسپرس 24
ترجمه فارسی مقاله پیشرفت مدل‌های زبانی بزرگ چندوجهی با یادگیری مقیاس آگاه از کوانتیزاسیون برای تطبیق کارآمد

ترجمه فارسی مقاله پیشرفت مدل‌های زبانی بزرگ چندوجهی با یادگیری مقیاس آگاه از کوانتیزاسیون برای تطبیق کارآمد

انتخاب پلن

انتخاب پلن برای ادامه خرید الزامی است.

پرداخت اقساطی
در صورت خرید اقساطی هر قسط: 37,500 تومان
۴ قسط ماهانه. بدون سود، چک و ضامن.
پرداخت اقساطی با دیجی‌پی پرداخت اقساطی با ترب‌پی
عنوان مقاله به انگلیسی Advancing Multimodal Large Language Models with Quantization-Aware Scale Learning for Efficient Adaptation
عنوان مقاله به فارسی پیشرفت مدل‌های زبانی بزرگ چندوجهی با یادگیری مقیاس آگاه از کوانتیزاسیون برای تطبیق کارآمد
نویسندگان Jingjing Xie, Yuxin Zhang, Mingbao Lin, Liujuan Cao, Rongrong Ji
فرمت مقاله انگلیسی PDF
تعداد صفحات 10
دسته بندی موضوعات Computer Vision and Pattern Recognition,Artificial Intelligence,Machine Learning,چشم انداز رایانه و تشخیص الگوی , هوش مصنوعی , یادگیری ماشین ,
توضیحات Submitted 7 August, 2024; originally announced August 2024. , Comments: Accepted by ACMMM2024
توضیحات به فارسی ارسال شده در 7 اوت 2024 ؛در ابتدا اوت 2024 اعلام شد. ، نظرات: پذیرفته شده توسط ACMMM2024

قیمت: 19,000 تومان

سفارش

با انتخاب این گزینه، علاوه بر دریافت مقاله اصلی، را نیز سفارش می‌دهید.

قیمت: 400,000 تومان

زمان تحویل: 2 تا 3 روز کاری

📚 محتوای این محصول آموزشی (پکیج کامل)

علاوه بر مقاله اصلی انگلیسی که دریافت می کنید، برای یادگیری عمیق‌تر و تسلط کامل بر مباحث مجموعه‌ای از کتاب‌های آموزشی نیز ارائه می‌شود.

🎯 این بسته یک دورهٔ آموزشی کامل و چندلایه است؛ شامل ویدیوهای آموزشی، کتاب‌ها، تمرین‌ها و خودآزمایی.

ℹ️ نکات مهم هنگام خرید

  • این محصول به صورت فایل دانلودی کامل ارائه می‌شود.
  • توجه: لینک‌های اختصاصی دوره طی حداکثر 24 ساعت پس از ثبت سفارش ارسال می‌شوند.
  • دقت کنید لینک ها به شماره موبایل شما ارسال می شوند. پس در ارائه شماره موبایل صحیح دقت کنید.
  • برای راهنمایی در مورد نحوه دانلود به شماره 09395106248 پیامک دهید یا تماس بگیرید. (ایده آل ترین گزینه ارسال پیام در یکی از پیام رسان ها به همین شماره است تا سریعا لینک های محصول همان جا برای شما ارسال گردد.)
  • اگر پرداخت انجام شده ولی بعد از 24 ساعت هنوز لینک‌ها را دریافت نکرده‌اید، نام و نام خانوادگی و نام محصول را پیامک کنید تا لینک‌ها دوباره ارسال شوند.

💬 راه‌های ارتباطی پشتیبانی:
واتس‌اپ یا هر پیام رسان داخلی یا پیامک: 09395106248
تلگرام: @ma_limbs

چکیده

This paper presents the first study to explore the potential of parameter quantization for multimodal large language models to alleviate the significant resource constraint encountered during vision-language instruction tuning. We introduce a Quantization-aware Scale LeArning method based on multimodal Warmup, termed QSLAW. This method is grounded in two key innovations: (1) The learning of group-wise scale factors for quantized LLM weights to mitigate the quantization error arising from activation outliers and achieve more effective vision-language instruction tuning; (2) The implementation of a multimodal warmup that progressively integrates linguistic and multimodal training samples, thereby preventing overfitting of the quantized model to multimodal data while ensuring stable adaptation of multimodal large language models to downstream vision-language tasks. Extensive experiments demonstrate that models quantized by QSLAW perform on par with, or even surpass, their full-precision counterparts, while facilitating up to 1.4 times reduction in VL tuning time and GPU consumption. Our code is released at https://github.com/xjjxmu/QSLAW.

چکیده به فارسی (ترجمه ماشینی)

در این مقاله اولین مطالعه برای بررسی پتانسیل کمیت پارامتر برای مدلهای زبان بزرگ چندمودال برای کاهش محدودیت منابع قابل توجه در هنگام تنظیم دستورالعمل بینایی زبان ارائه شده است.ما یک روش یادگیری مقیاس آگاهانه را بر اساس گرمای چند حالته ، با نام QSLAW معرفی می کنیم.این روش در دو نوآوری کلیدی پایه گذاری شده است: (1) یادگیری فاکتورهای مقیاس گروهی برای وزن LLM کمیت برای کاهش خطای کمیت ناشی از محیط زیست فعال سازی و دستیابی به تنظیم دستورالعمل های بینش موثرتر.(2) اجرای یک گرمای چند حالته که به تدریج نمونه های آموزشی زبانی و چند حالته را ادغام می کند ، از این طریق مانع از افزایش بیش از حد مدل کمیته به داده های چند مدلی می شود و در عین حال از سازگاری پایدار مدلهای زبان بزرگ چندمودال به کارهای بینایی پایین دست اطمینان می دهد.آزمایش های گسترده نشان می دهد که مدلهای کمیت شده توسط QSLAW به طور همتایان با همتایان دقیق خود ، یا حتی پیشی می گیرند ، در حالی که تا 1.4 برابر کاهش در زمان تنظیم VL و مصرف GPU را تسهیل می کنند.کد ما در https://github.com/xjjxmu/qslaw منتشر می شود.

📚 محتوای این محصول آموزشی (پکیج کامل)

علاوه بر مقاله اصلی انگلیسی که دریافت می کنید، برای یادگیری عمیق‌تر و تسلط کامل بر مباحث مجموعه‌ای از کتاب‌های آموزشی نیز ارائه می‌شود.

🎯 این بسته یک دورهٔ آموزشی کامل و چندلایه است؛ شامل ویدیوهای آموزشی، کتاب‌ها، تمرین‌ها و خودآزمایی.

ℹ️ نکات مهم هنگام خرید

  • این محصول به صورت فایل دانلودی کامل ارائه می‌شود.
  • توجه: لینک‌های اختصاصی دوره طی حداکثر 24 ساعت پس از ثبت سفارش ارسال می‌شوند.
  • دقت کنید لینک ها به شماره موبایل شما ارسال می شوند. پس در ارائه شماره موبایل صحیح دقت کنید.
  • برای راهنمایی در مورد نحوه دانلود به شماره 09395106248 پیامک دهید یا تماس بگیرید. (ایده آل ترین گزینه ارسال پیام در یکی از پیام رسان ها به همین شماره است تا سریعا لینک های محصول همان جا برای شما ارسال گردد.)
  • اگر پرداخت انجام شده ولی بعد از 24 ساعت هنوز لینک‌ها را دریافت نکرده‌اید، نام و نام خانوادگی و نام محصول را پیامک کنید تا لینک‌ها دوباره ارسال شوند.

💬 راه‌های ارتباطی پشتیبانی:
واتس‌اپ یا هر پیام رسان داخلی یا پیامک: 09395106248
تلگرام: @ma_limbs

نظرات

هنوز نظری ثبت نشده است.

وارد شوید تا نظر ثبت کنید.