바이트댄스, 이미지·영상 생성·이해 통합 멀티모달 모델 Lance 공개
바이트댄스가 이미지와 비디오의 이해, 생성, 편집을 단일 프레임워크에서 모두 지원하는 30억(3B) 파라미터 규모의 통합 멀티모달 모델 'Lance'를 공개했습니다. 128대의 A100 GPU 환경에서 트랜스포머 백본을 완전히 처음부터 학습시켰음에도 불구하고, 기존 벤치마크에서 매우 경쟁력 있는 높은 성능을 입증했다는 점이 가장 큰 의의입니다. 이는 하나의 모델로 시각 데이터의 인식과 생성을 동시에 해결하는 최근 멀티모달 AI 기술 트렌드를 잘 보여줍니다.
제목: Lance – 단일 모델로 이미지/비디오 생성 및 이해를 모두 수행하는 통합 모델
소스: 해커뉴스(Hackernews)
본문: Lance: 멀티태스크 시너지를 통한 통합 멀티모달 모델링(Unified Multimodal Modeling by Multi-Task Synergy)
Fengyi Fu*, Mengqi Huang*,✉, Shaojin Wu*, Yunsheng Jiang*, Yufei Huo, Jianzhu Guo✉,§, Hao Li, Yinghang Song, Fei Ding, Qian He, Zheren Fu, Zhendong Mao, Yongdong Zhang 바이트댄스(ByteDance)
- 공동 제1저자 ✉ 교신저자 § 프로젝트 총괄 English | 简体中文
🌟 하이라이트 Lance는 단일 프레임워크 내에서 이미지 및 비디오 이해, 생성, 편집을 지원하는 30억(3B) 파라미터 규모의 네이티브 통합 멀티모달 모델입니다.
효율적인 3B 스케일: 단 30억(3B)개의 활성 파라미터만 사용하여 이미지 생성, 이미지 편집, 비디오 생성 벤치마크 전반에서 뛰어난 성능을 발휘합니다.
처음부터 학습(Trained from scratch): Lance는 단계적인 멀티태스크 학습 방식으로 구축되었으며, 단 128개의 A100 GPU 예산 내에서 ViT 및 VAE 인코더를 제외한 트랜스포머(Transformer) 백본을 완전히 처음부터 학습(From scratch)했습니다.
이 저장소(Repository)는 활발하게 업데이트 및 개선되고 있습니다. 버그를 발견하시거나 제안 사항이 있으시면 자유롭게 이슈(Issue)를 열거나 풀 리퀘스트(PR)를 제출해 주세요. 💖
🎨 데모
텍스트 투 비디오(Text-to-Video)
비디오 편집
멀티턴 일관성 편집(Multi-turn Consistency Editing)
지능형 비디오 생성
비디오 이해
- 질문: 테이블에서 사람이 물체를 몇 번 던졌나요? 선택지: (A) 3 (B) 2 (C) 4 응답: (A) 3
- 질문: 사람이 반복적인 행동 세트를 만듭니다. 사람은 몇 가지의 뚜렷한 반복 행동을 했나요? 선택지: (A) 2 (B) 3 (C) 4 응답: (A) 2
- 질문: 비디오에서 보라색 구체는 어느 방향으로 움직이나요? 선택지: (A) 아래쪽 및 오른쪽 (B) 위쪽 및 왼쪽 (C) 위쪽 및 오른쪽 (D) 물체가 정지해 있음 응답: (A) 아래쪽 및 오른쪽
- 질문: 비디오에 표시된 비현실적인 현상은 무엇인가요? 선택지: (A) 남자가 휴대폰으로 시간을 조작할 수 있음 (B) 남자가 휴대폰 화면을 통해 물체를 움켜잡음 (C) 초콜릿이 다른 물체로 변형됨 (D) 가시적인 추진 수단이 비행을 가능하게 함 응답: (B) 남자가 휴대폰 화면을 통해 물체를 움켜잡음
- 질문: 이 비디오에 나타난 요리 과정에 대해 간략히 설명해 주세요. 응답: 토마토 퓨레를 추가하고 닭고기 조각과 잘 섞습니다.
- 질문: 주요 순간을 포착하여 주어진 비디오에 대해 자세히 설명해 주세요. 응답: 햇살이 비치는 초원에서 작은 거북이 등껍질 무늬의 나비가 보라색 꽃 위에 앉아 있습니다. 검은색과 노란색 줄무늬가 있는 벌이 같은 꽃에 내려앉습니다. 나비는 부드럽게 날개를 펄럭이고, 벌은 꿀을 모으며 바쁘게 움직입니다. 꽃은 산들바람에 약간 흔들립니다. 이윽고 나비가 날아오르고 벌이 뒤따르며 둘 다 다음 꽃으로 향합니다. 이 장면은 자연 환경에서 곤충의 상호 작용을 생생하게 보여주며, 나비와 벌의 색상이 초원의 녹색 배경과 대조를 이룹니다. 이 비디오는 이 평화로운 순간을 짧은 6초의 시간 동안 포착합니다.
텍스트 투 이미지 생성(Text-to-Image Generation)
이미지 편집
이미지 이해
- 질문: 가장 큰 조각이 다른 모든 조각의 합보다 큰가요? 응답: 네, 파이 차트에서 가장 큰 조각은 파란색 조각으로, 이것이 가장 비율이 높은 조각입니다.
- 질문: 국경 보안을 강화하길 원하는 응답자의 비율은 몇 %인가요? 응답: 29%
- 질문: 자동차의 번호판은 무엇인가요? 응답: 자동차의 번호판은 BX62 BFY입니다.
- 질문: 독점적인 시장 조사 데이터에 따르면, 1998년에 프로모션 회의 및 행사에 지출된 금액은 얼마인가요? 응답: 독점적인 시장 조사 데이터에 따르면, 1998년에 프로모션 회의 및 행사에 지출된 총 금액은 약 13억 달러였습니다.
- 질문: 이탈리아 로마에 있는 콜로세움의 외관은 어떻게 생겼나요? 응답: 이탈리아 로마의 콜로세움은 돌과 콘크리트로 만들어진 웅장한 고대 원형 극장입니다. 크고 아치형으로 된 개구부와 반원형 모양이 특징입니다. 콜로세움은 일부 복원되었고 원래의 색상은 바랬지만, 기둥 및 반원형 아치와 같은 건축적 세부 사항은 여전히 잘 보입니다. 조명은...