摘要

多模态大语言模型（MLLMs）在通用视觉理解和推理任务中展示了显著的能力。然而，由于训练和推理过程中巨大的计算成本，其部署受到了限制，这使得更广泛的研究和用户群体难以获得这些模型。一个直接的解决方案是利用较小的预训练视觉和语言模型，但这不可避免地会导致性能显著下降。在本文中，我们展示了通过高质量训练数据训练出一个更小但性能更好的MLLM的可能性。具体而言，我们引入了Bunny，这是一个轻量级的MLLM系列，具有灵活的视觉和语言骨干网络，可以从精选的训练数据中高效进行多模态学习。实验结果表明，我们的Bunny-4B/8B在多个基准测试中优于当前最先进的大型MLLMs。我们希望这项工作能够为社区提供一个干净且灵活的开源工具，以促进进一步的研究和开发。代码、模型和数据可以在https://github.com/BAAI-DCAI/Bunny 获取。