Can We Edit Multimodal Large Language Models?

7月前作者：UnknownBody 分类：Toy博客阅读(31) 违法举报

这篇具有很好参考价值的文章主要介绍了Can We Edit Multimodal Large Language Models?。希望对大家有所帮助。如果存在错误或未考虑完全的地方，请大家不吝赐教，您也可以点击"举报违法"按钮提交疑问。

本文是LLM系列文章，针对《Can We Edit Multimodal Large Language Models?》的翻译。

摘要

本文主要研究多模态大语言模型(Multimodal Large Language Models, mllm)的编辑。与编辑单模态LLM相比，编辑多模态模型更具挑战性，在编辑过程中需要更高水平的审查和仔细考虑。为了促进这一领域的研究，我们构建了一个新的基准，称为MMEdit，用于编辑多模态llm并建立一套创新的评估指标。我们进行了涉及各种模型编辑基线的综合实验，并分析了编辑不同组件对多模态llm的影响。经验上，我们注意到以前的基线在一定程度上可以实现编辑多模态llm，但效果仍然勉强令人满意，表明这项任务的潜在难度。我们希望我们的工作可以为NLP社区提供见解。

1 引言

2 相关工作

3 编辑多模态LLM

4 实验

5 结论

本文介绍了基于MMEdit的多模态模型编辑技术。在经验上，我们分析了各种模型编辑基线的有效性，并探讨了它们对不同组件(例如，视觉和文本)的影响。文章来源地址https://www.toymoban.com/news/detail-725272.html

到了这里，关于Can We Edit Multimodal Large Language Models?的文章就介绍完了。如果您还想了解更多内容，请在右上角搜索TOY模板网以前的文章或继续浏览下面的相关文章，希望大家以后多多支持TOY模板网！

本文来自互联网用户投稿，该文观点仅代表作者本人，不代表本站立场。本站仅提供信息存储空间服务，不拥有所有权，不承担相关法律责任。如若转载，请注明出处：如若内容造成侵权/违法违规/事实不符，请点击违法举报进行投诉反馈，一经查实，立即删除！

分享到：

领支付宝红包赞助服务器费用

LLM 大模型实用指南 | The Practical Guides for Large Language Models

2024年02月09日
浏览(40)
MME: A Comprehensive Evaluation Benchmark for Multimodal Large Language Models

本文也是LLM系列相关文章，针对《MME: A Comprehensive Evaluation Benchmark for Multimodal Large Language Models》的翻译。多模态大语言模型（MLLM）依靠强大的LLM来执行多模态任务，在最近的研究中显示出惊人的涌现能力，例如基于图像写诗。然而，这些案例研究很难完全反映MLLM的表现，缺

2024年02月12日
浏览(40)
LLM(Large Language Model)大语言模型

语言模型够大，训练的语料够多，涌现出推理能力飙升等 Generative Pre-trained Transformer 3（GPT-3）是最著名的LLM之一，拥有1750亿个参数。该模型在文本生成、翻译和其他任务中表现出显著的性能，在全球范围内引起了热烈的反响，目前OpenAI已经迭代到了GPT-4版本 Generative ：能产

2024年02月15日
浏览(34)
大型语言模型综述，非常详细，格局打开！A Survey of Large Language Models

返回论文和资料目录论文地址项目地址讲得通俗易懂，且格局拉满！基本覆盖了自ChatGPT以来的AI比较火的事件，还多次提到强人工智能AGI（人工通用智能）。对近几年的大型语言模型（ Large Language Models）进行了详细介绍。非常建议感兴趣大模型和强人工智能的读者阅读！！

2024年02月08日
浏览(37)
LLM：Training Compute-Optimal Large Language Models

论文：https://arxiv.org/pdf/2203.15556.pdf 发表：2022 前文回顾： OpenAI在2020年提出《Scaling Laws for Neural Language Models》：Scaling Laws(缩放法则）也一直影响了后续大模型的训练。其给出的结论是最佳计算效率训练涉及在相对适中的数据量上训练非常大的模型并在收敛之前early stopping 。

2024年01月20日
浏览(36)
【论文阅读】Can Large Language Models Empower Molecular Property Prediction?

作者：Chen Qian, Huayi Tang, Zhirui Yang 文章链接：Can Large Language Models Empower Molecular Property Prediction? 代码链接：Can Large Language Models Empower Molecular Property Prediction? 分子属性预测得到巨大的关注，分子图能够被描述为图结构的数据或SMILES (Simplified Molecular-Input Line-Entry System)文本。L

2024年01月20日
浏览(45)
【AI人工智能】用于代码生成的大型语言模型 Large Language Models for Code Generation

目录 Large Language Models for Code Generation – Part 1用于代码生成的大型语言模型——第 1 部分 Introduction

2024年02月08日
浏览(51)
LLM：LoRA: Low-Rank Adaptation of Large Language Models

随着模型规模的不断扩大，微调模型的所有参数（所谓full fine-tuning）的可行性变得越来越低。以GPT-3的175B参数为例，每增加一个新领域就需要完整微调一个新模型，代价和成本很高。为解决微调大规模语言模型到不同领域和任务的挑战，已有多种方案，比如部分微调、使用

2024年02月07日
浏览(32)
Can Large Language Models Understand Real-World Complex Instructions?

本文是LLM系列文章，针对《Can Large Language Models Understand Real-World Complex Instructions?》的翻译。大型语言模型(llm)可以理解人类指令，显示出它们在传统NLP任务之外的实用应用潜力。然而，它们仍然在与复杂的指令作斗争，这些指令可能是需要多个任务和约束的复杂任务描述，也

2024年02月07日
浏览(26)
LLM微调 | LoRA: Low-Rank Adaptation of Large Language Models

🔥 发表于论文：(2021) LoRA: Low-Rank Adaptation of Large Language Models 😄 目的：大模型预训练+微调范式，微调成本高。LoRA只微调新增的小部分参数。 adapter增加了模型层数，引入了额外的推理延迟； prefix-tuning比较难训练，效果不如直接finetune。 LoRA不会引入额外的延迟，甚至原文中

2024年02月17日
浏览(41)