/ Модель

Характеристики

Размер весов
18,6 ГБ
Лицензия
Apache 2.0
Архитектура
ovis · dense
Библиотека
transformers
Опубликована
24 июл 2024

Ovis1.5-Llama3-8B

Генерация текстаТекст → текст3 профессии

Ovis1.5-Llama3-8B — мультимодальная диалоговая модель для ответов на вопросы и анализа изображений с помощью текста.

115скачиваний за 30 дней27лайковвеса 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

Ovis1.5-Llama3-8B — мультимодальная большая языковая модель семейства Ovis, разработанная командой AIDC-AI. Она сочетает визуальный энкодер SigLIP на 400 млн параметров с Llama 3 8B Instruct и предназначена для диалоговых задач, в которых нужно анализировать изображения и отвечать на вопросы по их содержимому. Модель принимает изображения и текст, а выдаёт текстовые ответы.

В README модель оценена на мультимодальных бенчмарках; для MMTBench-VAL приведён результат 60,7. Авторы сообщают об открытой публикации весов, обучающих данных и кода, что позволяет воспроизводить обучение и запуск. В метаданных указаны PyTorch и библиотека Transformers. Авторы рекомендуют использовать более новую версию Ovis2. Лицензия — Apache-2.0.

Сценарии применения

  • ответы на вопросы о содержимом изображения
  • описание объектов и сцен на изображениях
  • визуальный диалог по загруженным изображениям

Ограничения

Авторы рекомендуют более новую версию Ovis2; заявленная оценка MMTBench-VAL не гарантирует качество на других задачах. Языки и длина контекста в предоставленных источниках не указаны.

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==2.1.0 transformers==4.42.4 pillow==10.3.0
import torch
from PIL import Image
from transformers import AutoModelForCausalLM

# load model
model = AutoModelForCausalLM.from_pretrained("AIDC-AI/Ovis1.5-Llama3-8B",
                                             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 Qwen, Llama3, Clip, 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
96e1ad0

0 моделей