摘要

视觉-语言模型（VLMs）近年来取得了显著进展，但开源指令数据的规模和质量有限，导致其性能相比闭源模型有所不足。在本研究中，我们通过引入Infinity-MM来解决这一问题，这是一个包含4000万个样本的大规模多模态指令数据集，经过严格的质量过滤和去重处理。我们还提出了一种基于开源VLMs的合成指令生成方法，该方法利用详细的图像注释和多样化的提问生成。利用这些数据，我们训练了一个拥有20亿参数的VLM——Aquila-VL-2B，在类似规模的模型中达到了最先进的（SOTA）性能。这表明扩展指令数据并生成合成数据可以显著提升开源模型的性能。