/ Модель

Характеристики

Контекст
32 768 токенов
Параметры
3,1 млрд
Размер весов
7,6 ГБ
Лицензия
Apache 2.0
Архитектура
qwen2 · dense
Базовая модель
Qwen2.5-3B-Instruct
Библиотека
transformers
Опубликована
7 дек 2024

Ivy-VL-llava

Генерация текстаТекст → текст3 профессии

Ivy-VL — компактная мультимодальная модель для ответов на вопросы по изображениям и диалога на основе изображений и текста.

168скачиваний за 30 дней72лайкавеса обновлены28 апр 2025

Бенчмарки

Как модель справилась с задачами пользователей ailist и что о ней публикуют открытые лидерборды

Тесты пользователейпока нет

Никто ещё не опубликовал тест этой модели. Соберите бенчмарк из своих задач — результат появится здесь.

  1. Добавьте модель в бенчмарк

    Вместе с другими моделями категории «Текст» — сравнение идёт внутри одной категории.

  2. Опишите свои задачи

    Напишите запросы, при необходимости приложите файлы и эталонные ответы.

  3. Запустите и опубликуйте

    Модели ответят на каждую задачу, судья оценит ответы. Опубликованный результат появится на этой странице.

Публичные оценки

Из открытых лидербордов. Сравнивайте результаты одного теста при одинаковых условиях — отсутствие оценки не значит, что модель хуже.

В подключённых источниках результатов для этой модели пока нет.

Что умеет модель

Описание составлено по карточке модели и метаданным Hugging Face

Ivy-VL — компактная мультимодальная модель примерно на 3,1 млрд параметров, разработанная AI Safeguard совместно с CMU и Stanford. Она принимает изображения и текст и генерирует текстовые ответы; модель основана на архитектуре LLaVA-OneVision, использует Qwen2.5-3B-Instruct как языковую часть и визуальный энкодер SigLIP SO400M. Репозиторий содержит веса в формате Safetensors, модель рассчитана на контекст до 32 768 токенов и работает через библиотеку Transformers.

Модель предназначена для визуальных вопросов и ответов, диалога о содержимом изображений и мультимодальных сценариев на устройствах с ограниченными ресурсами, например смартфонах и умных очках. В README заявлены английский и китайский языки; метаданные также перечисляют русский и другие языки. Авторы сообщают о высоких результатах на ряде бенчмарков, однако README отмечает, что результаты могут различаться из-за условий оценки. Лицензия — Apache 2.0.

Сценарии применения

  • ответы на вопросы о содержимом изображения
  • описание объектов и сцен на фотографии
  • диалог с пользователем о загруженном изображении
  • визуальный помощник на смартфоне или умных очках

Ограничения

Заявленные результаты бенчмарков могут отличаться в зависимости от среды и используемых языковых моделей для оценки. В README отмечено, что развитие видеовозможностей ещё запланировано.

Для каких профессий подходит3

Разделы каталога профессий, в задачах которых используется эта модель

Все профессии

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

logo.jpg

Ivy-VL is a lightweight multimodal model with only 3B parameters. 

It accepts both image and text inputs to generate text outputs. 

Thanks to its lightweight design, it can be deployed on edge devices such as AI glasses and smartphones, offering low memory usage and high speed while maintaining strong performance on multimodal tasks. Some well-known small models include PaliGemma 3B, Moondream2, Qwen2-VL-2B, InternVL2-2B, and InternVL2_5-2B. Ivy-VL outperforms them on multiple benchmarks.

Model Summary:

  • Developed: AI Safeguard, CMU, Standford

  • Model type: Multi-modal model (image+text)

  • Language: Engligh and Chinese

  • License: Apache 2.0

  • Architecture: Based on LLaVA-One-Vision

  • LLM: Qwen/Qwen2.5-3B-Instruct

  • Vision Encoder: google/siglip-so400m-patch14-384

  • Notebook demo: Ivy-VL-demo.ipynb

Evaluation:

evaluation.jpg

Most of the performance data comes from the VLMEvalKit leaderboard or the original papers. We conducted evaluations using VLMEvalKit. Due to differences in environments and the LLMs used for evaluation, there may be slight variations in performance.

How to use:

# pip install git+https://github.com/LLaVA-VL/LLaVA-NeXT.git
from llava.model.builder import load_pretrained_model
from llava.mm_utils import process_images, tokenizer_image_token
from llava.constants import IMAGE_TOKEN_INDEX, DEFAULT_IMAGE_TOKEN
from llava.conversation import conv_templates
from PIL import Image
import requests
import copy
import torch
import warnings

warnings.filterwarnings("ignore")

pretrained = "AI-Safeguard/Ivy-VL-llava"

model_name = "llava_qwen"
device = "cuda"
device_map = "auto"
tokenizer, model, image_processor, max_length = load_pretrained_model(pretrained, None, model_name, device_map=device_map)  # Add any other thing you want to pass in llava_model_args

model.eval()

# load image from url
url = "https://github.com/haotian-liu/LLaVA/blob/1a91fc274d7c35a9b50b3cb29c4247ae5837ce39/images/llava_v1_5_radar.jpg?raw=true"
image = Image.open(requests.get(url, stream=True).raw)

# load image from local environment
# url = "./local_image.jpg"
# image = Image.open(url)

image_tensor = process_images([image], image_processor, model.config)
image_tensor = [_image.to(dtype=torch.float16, device=device) for _image in image_tensor]

conv_template = "qwen_1_5"  # Make sure you use correct chat template for different models
question = DEFAULT_IMAGE_TOKEN + "\nWhat is shown in this image?"
conv = copy.deepcopy(conv_templates[conv_template])
conv.append_message(conv.roles[0], question)
conv.append_message(conv.roles[1], None)
prompt_question = conv.get_prompt()

input_ids = tokenizer_image_token(prompt_question, tokenizer, IMAGE_TOKEN_INDEX, return_tensors="pt").unsqueeze(0).to(device)
image_sizes = [image.size]

cont = model.generate(
    input_ids,
    images=image_tensor,
    image_sizes=image_sizes,
    do_sample=False,
    temperature=0,
    max_new_tokens=4096,
)

text_outputs = tokenizer.batch_decode(cont, skip_special_tokens=True)

print(text_outputs)

Future Plan:

  • We plan to release more versions of LLMs in different sizes.

  • We will focus on improving the performance of the video modality.

Contact:

Feel free to contact us if you have any questions or suggestions📧:

Citation:

If you find our work helpful, please consider citing our Model:

@misc{ivy2024ivy-vl,
    title={Ivy-VL:Compact Vision-Language Models Achieving SOTA with Optimal Data},
    url={https://huggingface.co/AI-Safeguard/Ivy-VL-llava},
    author={Ivy Zhang,Wei Peng,Jenny N,Theresa Yu and David Qiu},
    month={December},
    year={2024}
}

Как запустить

На своей GPU в ailist. Цена — по текущим предложениям провайдеров

GPU в ailist

Универсальный рантайм · transformers

Можно запустить

Подбираем GPU…

Класс архитектуры
LlavaQwenForCausalLM
Ревизия весов
a84e17f

0 моделей