Maya 的背后：构建多语言视觉语言模型

近来，我们看到了大型视觉-语言模型 (VLMs) 的快速发展。它们在学术基准测试中展示了令人印象深刻的结果，主要是在常用语言上，但在低资源语言和不同的文化背景下表现不足。为了解决这些局限性，我们推出了 Maya，一个开源多语言 VLM。我们的贡献包括：1) 一个基于 LLaVA 预训练数据集的八种语言的多语言图像-文本预训练数据集；以及 2) 一个支持这些语言、增强视觉-语言任务中文化和语言理解能力的多语言图像-文本模型。代码可在 https://github.com/nahidalam/maya 获取。