[マルチモーダルWG] - Mamba VLMモデル学習

[daichi1207]

Overview

既存のMLLM(LLaVA-phi)を教師モデルとしてSSM(Mamba)ベースのVLMへ蒸留を行います．

Details

• 教師モデル

コンポーネント	LLaVA-phi (3B)
Vision Encoder	openai/clip-vit-large-patch14-336
Projector	mlp2x_gelu
Language Model	Phi-3-mini-128k-instruct

• 生徒モデル
  • Vision Encoderは教師モデルのまま
  • Projectorは同じアーキテクチャで教師モデルのパラメータで初期化
  • Language Modelは親モデルのTransformer部分をMamba2で置き換える
  • データは親モデルが使用した同じものを用いる

Resources

• 計算機
  • クラスタ: mdx (llm-jp-nvlink)
  • ノード種別: gpu (A100x8)
  • ノード台数: 2
• コード
  • リポジトリ: FIXME https://github.com/{org}/{repo}
  • コミット: FIXME xxxxxx
• 入力データ:
  • llm-jp-nvlink:/model/dyashima/phimamba/playground/data/llava_v1_5_mix665k.json
• 出力データ:
  • 保存先: llm-jp-nvlink:/model/experiments/0081_phimamba
  • データ内訳:
    • checkpoint : 0.15 TB （バッファ容量を含む）
• W&B ログ:
  • https://wandb.ai/{team}/{project} FIXME
• 開始日: 2024/11/18
• 終了予定日: 2024-12-31 （バッファ期間を含む）