/ Модель

Характеристики

Размер весов
22,7 ГБ
Лицензия
Apache 2.0
Архитектура
ovis · dense
Библиотека
transformers
Опубликована
30 июл 2024

Ovis1.5-Gemma2-9B

Генерация текстаТекст → текст3 профессии

Мультимодальная модель Ovis на базе Gemma2-9B-It отвечает текстом на вопросы по изображениям и выполняет другие задачи визуально-языкового взаимодействия.

120скачиваний за 30 дней19лайковвеса обновлены26 фев 2025

Бенчмарки

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

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

ATH-MaaS/Ovis1.5-Gemma2-9B — мультимодальная большая языковая модель архитектуры Ovis, разработанная авторами Ovis. Она объединяет визуальный энкодер SigLIP-400M с языковой моделью Gemma2-9B-It и структурно согласует визуальные и текстовые представления. Модель принимает изображения вместе с текстовыми запросами и формирует текстовые ответы в диалоговом режиме.

Модель предназначена для ответов на вопросы по изображениям и других задач визуально-языкового взаимодействия. В сравнении MMTBench-VAL в карточке указана оценка 62,7; авторы также сообщают об открытой публикации обучающих данных, кода обучения и инференса и весов. Репозиторий использует safetensors и библиотеку Transformers. Для запуска README приводит зависимости PyTorch 2.1.2 и Transformers 4.43.2, а также Pillow 10.3.0.

Лицензия модели — Apache-2.0. В README рекомендуется использовать более новую версию Ovis2; указанная оценка относится к конкретному бенчмарку и сама по себе не гарантирует качество на других задачах.

Сценарии применения

  • ответы на вопросы по содержимому изображений
  • описание и интерпретация изображений по текстовому запросу
  • визуальный диалог с пользователем
  • сравнение визуально-языковых моделей на мультимодальных бенчмарках

Ограничения

В README рекомендуется использовать более новую версию Ovis2. Приведённая оценка относится к MMTBench-VAL и не характеризует качество на всех сценариях.

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

It is recommended to use the latest version: Ovis2.

Introduction

Ovis is a novel Multimodal Large Language Model (MLLM) architecture, designed to structurally align visual and textual embeddings. For a comprehensive introduction, please refer to Ovis paper and Ovis GitHub.

Model

As always, Ovis1.5 remains fully open-source: we release the training datasets, training & inference codes, and model weights for reproducible transparency and community collaboration.

Ovis MLLMsViTLLMTraining DatasetsCodeModel Weights
Ovis1.5-Llama3-8BSiglip-400MLlama3-8B-InstructHuggingfaceGithubHuggingface
Ovis1.5-Gemma2-9BSiglip-400MGemma2-9B-ItHuggingfaceGithubHuggingface

Performance

We evaluate Ovis1.5 across various multimodal benchmarks using VLMEvalKit and compare its performance to leading MLLMs with similar parameter scales.

MiniCPM-Llama3-V2.5GLM-4V-9BOvis1.5-Llama3-8BOvis1.5-Gemma2-9B
Open Weights✅✅✅✅
Open Datasets❌❌✅✅
MMTBench-VAL57.648.860.762.7
MMBench-EN-V1.17468.778.278.0
MMBench-CN-V1.170.167.175.275.1
MMStar51.854.857.258.7
MMMU-Val45.846.948.649.8
MathVista-Mini54.351.162.465.7
HallusionBenchAvg42.44544.548.0
AI2D78.471.282.584.7
OCRBench725776743756
MMVet52.85852.256.5
RealWorldQA63.56664.666.9
CharXiv Reasoning24.9-28.228.4
CharXiv Descriptive59.3-60.262.6

Usage

Below is a code snippet to run Ovis with multimodal inputs. For additional usage instructions, including inference wrapper and Gradio UI, please refer to Ovis GitHub.

pip install torch==2.1.2 transformers==4.43.2 pillow==10.3.0
import torch
from PIL import Image
from transformers import AutoModelForCausalLM

# load model
model = AutoModelForCausalLM.from_pretrained("AIDC-AI/Ovis1.5-Gemma2-9B",
                                             torch_dtype=torch.bfloat16,
                                             multimodal_max_length=8192,
                                             trust_remote_code=True).cuda()
text_tokenizer = model.get_text_tokenizer()
visual_tokenizer = model.get_visual_tokenizer()
conversation_formatter = model.get_conversation_formatter()

# enter image path and prompt
image_path = input("Enter image path: ")
image = Image.open(image_path)
text = input("Enter prompt: ")
query = f'<image>\n{text}'
prompt, input_ids = conversation_formatter.format_query(query)
input_ids = torch.unsqueeze(input_ids, dim=0).to(device=model.device)
attention_mask = torch.ne(input_ids, text_tokenizer.pad_token_id).to(device=model.device)
pixel_values = [visual_tokenizer.preprocess_image(image).to(
    dtype=visual_tokenizer.dtype, device=visual_tokenizer.device)]

# generate output
with torch.inference_mode():
    gen_kwargs = dict(
        max_new_tokens=1024,
        do_sample=False,
        top_p=None,
        top_k=None,
        temperature=None,
        repetition_penalty=None,
        eos_token_id=model.generation_config.eos_token_id,
        pad_token_id=text_tokenizer.pad_token_id,
        use_cache=True
    )
    output_ids = model.generate(input_ids, pixel_values=pixel_values, attention_mask=attention_mask, **gen_kwargs)[0]
    output = text_tokenizer.decode(output_ids, skip_special_tokens=True)
    print(f'Output: {output}')

Citation

If you find Ovis useful, please cite the paper

@article{lu2024ovis,
  title={Ovis: Structural Embedding Alignment for Multimodal Large Language Model}, 
  author={Shiyin Lu and Yang Li and Qing-Guo Chen and Zhao Xu and Weihua Luo and Kaifu Zhang and Han-Jia Ye},
  year={2024},
  journal={arXiv:2405.20797}
}

License

The project is licensed under the Apache 2.0 License and is restricted to uses that comply with the license agreements of Gemma2 and Siglip.

Как запустить

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

GPU в ailist

Универсальный рантайм · transformers

Нельзя запустить

Модели нужен код из репозитория; автор пока не в списке доверенных организаций.

Класс архитектуры
Ovis
Ревизия весов
f461066

0 моделей