[Question]: Dualvln数据配比 #363

Question

• 作者您好,感谢开源 InternNav 和 DualVLN。

我们按照公开配置完成了两阶段训练:

• Stage 1:R2R 4组视角 + RxR 4组视角 + ScaleVLN 2组视角,均按100%使用;
• Stage 2:R2R、RxR、ScaleVLN各2组视角,每组使用%30采样;
• 单节点8张80GB GPU;
• per-device batch size为2,gradient accumulation steps为8,global batch size为128;
• Stage 1训练14k steps,Stage 2训练15k steps。

最终在R2R val_unseen上得到SR 57.69、SPL 53.71,与官方SR 64.3、SPL 58.5仍有差距。

想请问官方结果实际使用的训练配置:

1. 官方训练是否还混入EnvDrop或general video QA?如果有,大致数据比例是多少?
2. 官方最终结果对应的Stage 1和Stage 2分别训练了多少optimizer steps?
3. Stage 1的停止条件是论文中的14k steps、Issue中建议的约20k steps,还是按完整epoch训练?
4. 官方实际使用的GPU数量、单卡batch size和global batch size是多少?

感谢!