/ Модель

Характеристики

Контекст
8 192 токена
Параметры
7,5 млрд
Размер весов
17 ГБ
Лицензия
Apache 2.0
Архитектура
bunny-llama · dense
Опубликована
21 апр 2024

Bunny-Llama-3-8B-V

Генерация текстаТекст → текст4 профессии

Мультимодальная модель Bunny на базе Llama-3-8B-Instruct и SigLIP отвечает на текстовые вопросы о содержимом изображений.

211скачиваний за 30 дней83лайкавеса обновлены24 июн 2024

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

Bunny-Llama-3-8B-V — мультимодальная модель семейства Bunny, разработанная командой Bunny и построенная на визуальном энкодере SigLIP и языковой модели Llama-3-8B-Instruct. Она принимает изображения и текстовые запросы и генерирует текстовые ответы, поэтому подходит для диалога о содержимом изображений и визуальных вопросов и ответов. Размер модели — 7,5 млрд параметров, контекст — 8192 токена; карточка также упоминает отдельную версию v1.1 для изображений высокого разрешения до 1152 × 1152 пикселей.

Модель распространяется под лицензией Apache-2.0. Карточка не приводит количественных оценок качества; заявленный предел разрешения 1152 × 1152 относится к v1.1, а не обязательно к этой версии.

Сценарии применения

  • ответы на вопросы о содержимом изображения
  • описание изображений по текстовому запросу
  • диалог с уточняющими вопросами об изображении

Ограничения

Численные оценки качества и поддерживаемые естественные языки в карточке не приведены. Ограничение до 1152 × 1152 пикселей заявлено для версии v1.1 и не подтверждено для этой версии.

Для каких профессий подходит4

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

Model Card

📖 Technical report | 🏠 Code | 🐰 Demo | 🤗 GGUF

This is Bunny-Llama-3-8B-V.

We also provide v1.1 version accepting high-resolution images up to 1152x1152. 🤗 v1.1

Bunny is a family of lightweight but powerful multimodal models. It offers multiple plug-and-play vision encoders, like EVA-CLIP, SigLIP and language backbones, including Llama-3-8B, Phi-1.5, StableLM-2, Qwen1.5, MiniCPM and Phi-2. To compensate for the decrease in model size, we construct more informative training data by curated selection from a broader data source.

We provide Bunny-Llama-3-8B-V, which is built upon SigLIP and Llama-3-8B-Instruct. More details about this model can be found in GitHub.

comparison

Quickstart

Here we show a code snippet to show you how to use the model with transformers.

Before running the snippet, you need to install the following dependencies:

pip install torch transformers accelerate pillow

If the CUDA memory is enough, it would be faster to execute this snippet by setting CUDA_VISIBLE_DEVICES=0.

Users especially those in Chinese mainland may want to refer to a HuggingFace mirror site.

import torch
import transformers
from transformers import AutoModelForCausalLM, AutoTokenizer
from PIL import Image
import warnings

# disable some warnings
transformers.logging.set_verbosity_error()
transformers.logging.disable_progress_bar()
warnings.filterwarnings('ignore')

# set device
device = 'cuda'  # or cpu
torch.set_default_device(device)

# create model
model = AutoModelForCausalLM.from_pretrained(
    'BAAI/Bunny-Llama-3-8B-V',
    torch_dtype=torch.float16, # float32 for cpu
    device_map='auto',
    trust_remote_code=True)
tokenizer = AutoTokenizer.from_pretrained(
    'BAAI/Bunny-Llama-3-8B-V',
    trust_remote_code=True)

# text prompt
prompt = 'Why is the image funny?'
text = f"A chat between a curious user and an artificial intelligence assistant. The assistant gives helpful, detailed, and polite answers to the user's questions. USER: <image>\n{prompt} ASSISTANT:"
text_chunks = [tokenizer(chunk).input_ids for chunk in text.split('<image>')]
input_ids = torch.tensor(text_chunks[0] + [-200] + text_chunks[1][1:], dtype=torch.long).unsqueeze(0).to(device)

# image, sample images can be found in images folder
image = Image.open('example_2.png')
image_tensor = model.process_images([image], model.config).to(dtype=model.dtype, device=device)

# generate
output_ids = model.generate(
    input_ids,
    images=image_tensor,
    max_new_tokens=100,
    use_cache=True,
    repetition_penalty=1.0 # increase this to avoid chattering
)[0]

print(tokenizer.decode(output_ids[input_ids.shape[1]:], skip_special_tokens=True).strip())

Как запустить

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

GPU в ailist

Универсальный рантайм

Можно запустить

Подбираем GPU…

Класс архитектуры
BunnyLlamaForCausalLM
Ревизия весов
04f5597

0 моделей