MM1.5 ist eine Reihe multimodaler, großer Sprachmodelle (MLLMs), die darauf ausgelegt sind, das textreiche Bildverständnis, die visuelle Referenzlösung und -erdung sowie das Multi-Bild-Schlussfolgern zu verbessern. Das Modell basiert auf der MM1-Architektur und verwendet eine datenzentrierte Modelltrainingsmethode. Es untersucht systematisch die Auswirkungen verschiedener Datenmischungen über den gesamten Lebenszyklus des Modelltrainings. MM1.5-Modelle umfassen Parameter von 1 Mrd. bis 30 Mrd., darunter dichte und Mixture-of-Experts (MoE)-Varianten. Umfangreiche empirische und Ablation Studies liefern detaillierte Einblicke in den Trainingsprozess und die Entscheidungsfindung und bieten wertvolle Hinweise für die zukünftige Forschung und Entwicklung von MLLMs.