اکسپرس 24
ترجمه فارسی مقاله CoMMIT: تنظیم هماهنگ دستورالعمل‌ها برای مدل‌های زبانی بزرگ چندوجهی

ترجمه فارسی مقاله CoMMIT: تنظیم هماهنگ دستورالعمل‌ها برای مدل‌های زبانی بزرگ چندوجهی

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 CoMMIT: Coordinated Instruction Tuning for Multimodal Large Language Models
عنوان مقاله به فارسی CoMMIT: تنظیم هماهنگ دستورالعمل‌ها برای مدل‌های زبانی بزرگ چندوجهی
نویسندگان Junda Wu, Xintong Li, Tong Yu, Yu Wang, Xiang Chen, Jiuxiang Gu, Lina Yao, Jingbo Shang, Julian McAuley
فرمت مقاله انگلیسی PDF
تعداد صفحات 14
دسته بندی موضوعات Machine Learning,Computation and Language,یادگیری ماشین , محاسبه و زبان ,
توضیحات Submitted 29 July, 2024; originally announced July 2024. , Comments: 9 pages
توضیحات به فارسی ارسال 29 ژوئیه 2024 ؛در ابتدا ژوئیه 2024 اعلام شد ، نظرات: 9 صفحه

قیمت: 19,000 تومان

دانلود مقاله اصل انگلیسی + خلاصه دو صفحه ای مقاله + پادکست صوتی فارسی خلاصه مقاله

با انتخاب این گزینه، علاوه بر دریافت مقاله اصلی، یک خلاصه دو صفحه‌ای فارسی و پادکست صوتی فارسی خلاصه مقاله را نیز دریافت خواهید کرد.

قیمت: 99,000 تومان

سفارش + خلاصه دو صفحه ای مقاله + پادکست صوتی فارسی خلاصه مقاله

با انتخاب این گزینه، علاوه بر دریافت مقاله اصلی و ترجمه کامل آن، یک خلاصه دو صفحه‌ای فارسی و پادکست صوتی فارسی خلاصه مقاله را نیز دریافت خواهید کرد.

قیمت: 560,000 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

Instruction tuning in multimodal large language models (MLLMs) aims to smoothly integrate a backbone LLM with a pre-trained feature encoder for downstream tasks. The major challenge is how to efficiently find the synergy through cooperative learning where LLMs adapt their reasoning abilities in downstream tasks while feature encoders adjust their encoding to provide more relevant modal information. In this paper, we analyze the MLLM instruction tuning from both theoretical and empirical perspectives, where we find unbalanced learning between the two components, i.e., the feature encoder and the LLM, can cause diminishing learning gradients that slow the model convergence and often lead to sub-optimal results due to insufficient learning. Inspired by our findings, we propose a measurement to quantitatively evaluate the learning balance, based on which we further design a dynamic learning scheduler that better coordinates the learning. In addition, we introduce an auxiliary loss regularization method to promote updating of the generation distribution of MLLMs considering the learning state of each model component, which potentially prevents each component from gradient diminishing and enables a more accurate estimation of the learning balance coefficient. We conduct experiments with multiple LLM backbones and feature encoders, where our techniques are model-agnostic and can be generically integrated with various MLLM backbones. Experiment results on multiple downstream tasks and modalities in vision and audio, demonstrate the proposed method's better efficiency and effectiveness in MLLM instruction tuning.

چکیده به فارسی (ترجمه ماشینی)

تنظیم دستورالعمل در مدل های زبان بزرگ چند حالته (MLLMS) با هدف ادغام یکپارچه سازی یک ستون فقرات LLM با یک رمزگذار ویژگی از پیش آموزش برای کارهای پایین دست است.چالش عمده این است که چگونه می توان هم افزایی را از طریق یادگیری تعاونی پیدا کرد که در آن LLM ها توانایی های استدلال خود را در کارهای پایین دست سازگار می کنند در حالی که رمزگذارهای ویژگی رمزگذاری خود را تنظیم می کنند تا اطلاعات معین بیشتری را ارائه دهند.در این مقاله ، ما تنظیم دستورالعمل MLLM را از هر دو دیدگاه نظری و تجربی مورد تجزیه و تحلیل قرار می دهیم ، جایی که یادگیری نامتعادل بین دو مؤلفه ، یعنی رمزگذار ویژگی و LLM ، می تواند باعث کاهش شیب های یادگیری شود که همگرایی مدل را کند می کند و اغلب منجر به آن می شودنتایج زیر بهینه به دلیل یادگیری ناکافی.با الهام از یافته های ما ، ما یک اندازه گیری را برای ارزیابی کمی تعادل یادگیری پیشنهاد می کنیم ، بر اساس آن ما بیشتر یک برنامه ریز یادگیری پویا را طراحی می کنیم که بهتر یادگیری را هماهنگ می کند.علاوه بر این ، ما یک روش تنظیم ضرر کمکی را برای ترویج به روزرسانی توزیع تولید MLLM با توجه به وضعیت یادگیری هر مؤلفه مدل معرفی می کنیم ، که به طور بالقوه مانع از کاهش شیب می شود و تخمین دقیق تر از ضریب تعادل یادگیری را امکان پذیر می کند.ما آزمایشاتی را با ستون فقرات LLM و رمزگذار ویژگی انجام می دهیم ، جایی که تکنیک های ما مدل-آگنوستیک هستند و می توانند به طور کلی با ستون فقرات مختلف MLLM ادغام شوند.نتایج آزمایش را در چندین کار و روشهای پایین دست در بینایی و صوتی ، نشان می دهد که کارآیی و اثربخشی بهتر روش پیشنهادی در تنظیم دستورالعمل MLLM.

📚 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.