/ Модель

Характеристики

Контекст
131 072 токена
Параметры
7,7 млрд
Размер весов
34 ГБ
Лицензия
Apache 2.0
Архитектура
Emu3 · dense
Библиотека
transformers
Опубликована
26 сен 2024

Emu3-Chat

Генерация текстаТекст → текст7 профессий

Мультимодальная модель BAAI на 7,7 млрд параметров для генерации текста и задач понимания и генерации изображений и видео.

404скачиваний за 30 дней76лайковвеса обновлены24 окт 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

BAAI/Emu3-Chat — мультимодальная модель команды Emu3 из BAAI, построенная на плотном трансформере Emu3ForCausalLM с 7,7 млрд параметров. Она обучена с нуля предсказывать следующий токен в последовательностях, где изображения, текст и видео представлены дискретными токенами.

Модель предназначена для генерации текста в ответ на запросы и для мультимодальных сценариев, описанных для семейства Emu3: понимания изображений, создания изображений по тексту, продолжения видео и предсказания его дальнейшего содержания. Архитектура семейства объединяет генерацию и восприятие в одном трансформере; заявлена гибкая поддержка разрешений и стилей изображений. В метаданных указано контекстное окно 131 072 токена.

Карточка не уточняет отдельные показатели качества именно версии Chat и перечень поддерживаемых языков. Модель распространяется по лицензии Apache-2.0.

Сценарии применения

  • ответы на текстовые запросы
  • понимание содержимого изображений с текстовым ответом
  • генерация изображений по текстовому описанию
  • продолжение видеоролика по его контексту
  • предсказание дальнейшего содержания видео

Ограничения

Карточка не приводит отдельных оценок качества версии Emu3-Chat и не перечисляет поддерживаемые языки. Указанные возможности генерации и восприятия описаны для семейства Emu3 в целом.

Для каких профессий подходит7

Разделы каталога профессий, в задачах которых используется эта модель

Все профессии

Также подходит для

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

Emu3 Team, BAAI

| Project Page | Paper | 🤗HF Models | github | Demo |

We introduce Emu3, a new suite of state-of-the-art multimodal models trained solely with next-token prediction! By tokenizing images, text, and videos into a discrete space, we train a single transformer from scratch on a mixture of multimodal sequences.

Emu3 excels in both generation and perception

Emu3 outperforms several well-established task-specific models in both generation and perception tasks, surpassing flagship open models such as SDXL, LLaVA-1.6 and OpenSora-1.2, while eliminating the need for diffusion or compositional architectures.

Highlights

  • Emu3 is capable of generating high-quality images following the text input, by simply predicting the next vision token. The model naturally supports flexible resolutions and styles.
  • Emu3 shows strong vision-language understanding capabilities to see the physical world and provides coherent text responses. Notably, this capability is achieved without depending on a CLIP and a pretrained LLM.
  • Emu3 simply generates a video causally by predicting the next token in a video sequence, unlike the video diffusion model as in Sora. With a video in context, Emu3 can also naturally extend the video and predict what will happen next.

Quickstart

from PIL import Image
from transformers import AutoTokenizer, AutoModel, AutoImageProcessor, AutoModelForCausalLM
from transformers.generation.configuration_utils import GenerationConfig
import torch

import sys
sys.path.append(PATH_TO_BAAI_Emu3-Chat_MODEL)
from processing_emu3 import Emu3Processor

# model path
EMU_HUB = "BAAI/Emu3-Chat"
VQ_HUB = "BAAI/Emu3-VisionTokenier"

# prepare model and processor
model = AutoModelForCausalLM.from_pretrained(
    EMU_HUB,
    device_map="cuda:0",
    torch_dtype=torch.bfloat16,
    attn_implementation="flash_attention_2",
    trust_remote_code=True,
)

tokenizer = AutoTokenizer.from_pretrained(EMU_HUB, trust_remote_code=True, padding_side="left")
image_processor = AutoImageProcessor.from_pretrained(VQ_HUB, trust_remote_code=True)
image_tokenizer = AutoModel.from_pretrained(VQ_HUB, device_map="cuda:0", trust_remote_code=True).eval()
processor = Emu3Processor(image_processor, image_tokenizer, tokenizer)

# prepare input
text = "Please describe the image"
image = Image.open("assets/demo.png")

inputs = processor(
    text=text,
    image=image,
    mode='U',
    return_tensors="pt",
    padding="longest",
)

# prepare hyper parameters
GENERATION_CONFIG = GenerationConfig(
    pad_token_id=tokenizer.pad_token_id,
    bos_token_id=tokenizer.bos_token_id,
    eos_token_id=tokenizer.eos_token_id,
    max_new_tokens=1024,
)

# generate
outputs = model.generate(
    inputs.input_ids.to("cuda:0"),
    GENERATION_CONFIG,
    attention_mask=inputs.attention_mask.to("cuda:0"),
)

outputs = outputs[:, inputs.input_ids.shape[-1]:]
print(processor.batch_decode(outputs, skip_special_tokens=True)[0])

Как запустить

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

GPU в ailist

Универсальный рантайм · transformers

Можно запустить

Подбираем GPU…

Класс архитектуры
Emu3ForCausalLM
Ревизия весов
d9cb6ff

0 моделей