/ Модель

Характеристики

Размер весов
35,1 ГБ
Лицензия
Apache 2.0
Опубликована
24 окт 2024

Emu3-Chat-hf

Изображение и текст → текст4 профессии

Emu3-Chat-hf — мультимодальная модель BAAI для диалога и ответов на вопросы по изображениям.

34 732скачиваний за 30 дней2лайкавеса обновлены15 янв 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 «Изображение → 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

Emu3-Chat-hf — мультимодальная авторегрессионная модель команды Emu3 из BAAI. Она построена на трансформере и обучена с нуля предсказывать следующий токен в последовательностях, где изображения и текст представлены в дискретном пространстве. Репозиторий содержит веса в формате safetensors и распространяется по лицензии Apache 2.0.

Модель принимает текстовые запросы и изображения и отвечает связным текстом, поэтому подходит для диалога с визуальным контекстом и вопросов об изображениях. Семейство Emu3 также поддерживает генерацию изображений по тексту и продолжение видео, однако карточка именно этой версии и метаданные не подтверждают эти сценарии для Emu3-Chat-hf. В карточке заявлена поддержка английского языка; размер модели и длина контекста не приведены в доступных данных.

Разработчики заявляют о сильных возможностях понимания изображений без использования CLIP или предварительно обученной языковой модели. Для запуска README указывает Transformers версии 4.48.0 или выше и приводит пример генерации на GPU с float16; это требует подходящего аппаратного обеспечения. Заявленные сравнительные результаты приведены без подробностей о методике оценки.

Сценарии применения

  • вопросы и ответы по содержимому изображения
  • описание объектов и сцен на изображении
  • визуальный диалог с изображением в контексте

Ограничения

В карточке этой версии не подтверждены генерация изображений и видео-возможности, описанные для семейства Emu3 в целом. Запуск по приведённому примеру требует GPU; сравнительные заявления не сопровождаются подробной методикой оценки.

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

Emu3 Team, BAAI

Below is the model card of Emu3-Chat model, which is adapted from the original Emu3 model card that you can find here.

Model details

Model type: Emu3 is an open-source multimodal models trained with next-token prediction task. By tokenizing images and text into a discrete space, Emu3 is trained as a single transformer from scratch on a mixture of multimodal sequences. It is an auto-regressive language model, based on the transformer architecture.

Paper or resources for more information: https://github.com/baaivision/Emu3

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.
  • 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.

How to use the model

First, make sure to have transformers >= 4.48.0. Make sure also to follow the correct prompt template (USER: xxxASSISTANT:) and add the token <image> to the location where you want to query images:

Using pipeline:

from transformers import pipeline

pipe = pipeline("image-text-to-text", model="BAAI/Emu3-Chat-hf")
messages = [
    {
      "role": "user",
      "content": [
          {"type": "image", "url": "https://huggingface.co/datasets/huggingface/documentation-images/resolve/main/transformers/tasks/ai2d-demo.jpg"},
          {"type": "text", "text": "What does the label 15 represent? (1) lava (2) core (3) tunnel (4) ash cloud"},
        ],
    },
]

out = pipe(text=messages, max_new_tokens=20)
print(out)
>>> [{'input_text': [{'role': 'user', 'content': [{'type': 'image', 'url': 'https://huggingface.co/datasets/huggingface/documentation-images/resolve/main/transformers/tasks/ai2d-demo.jpg'}, {'type': 'text', 'text': 'What does the label 15 represent? (1) lava (2) core (3) tunnel (4) ash cloud'}]}], 'generated_text': 'Lava'}]

Using pure transformers:

Below is an example script to run generation in float16 precision on a GPU device:

import requests
from PIL import Image

import torch
from transformers import AutoProcessor, Emu3ForConditionalGeneration

model_id = "BAAI/Emu3-Chat-hf"
model = Emu3ForConditionalGeneration.from_pretrained(
    model_id, 
    torch_dtype=torch.float16, 
    low_cpu_mem_usage=True,
    device_map="cuda:0",
)

processor = AutoProcessor.from_pretrained(model_id)

# Define a chat history and use `apply_chat_template` to get correctly formatted prompt
# Each value in "content" has to be a list of dicts with types ("text", "image") 
conversation = [
    {

      "role": "user",
      "content": [
          {"type": "image", "url": "http://images.cocodataset.org/val2017/000000039769.jpg"},
          {"type": "text", "text": "What are these?"},
        ],
    },
]
inputs_dict = processor.apply_chat_template(conversation, add_generation_prompt=True, tokenize=True, return_dict=True)
inputs_dict = inputs_dict.to(0, torch.float16)

output = model.generate(**inputs_dict, max_new_tokens=50, do_sample=False)
print(processor.decode(output[0][2:], skip_special_tokens=True))

Model optimization

Use Flash-Attention 2 to further speed-up generation

First make sure to install flash-attn. Refer to the original repository of Flash Attention regarding that package installation. Simply change the snippet above with:

model = Emu3ForConditionalGeneration.from_pretrained(
    model_id, 
    torch_dtype=torch.float16, 
    low_cpu_mem_usage=True,
+   attn_implementation="flash_attention_2",
    device_map="cuda:0",
)

Citation

@misc{wang2024emu3nexttokenpredictionneed,
      title={Emu3: Next-Token Prediction is All You Need}, 
      author={Xinlong Wang and Xiaosong Zhang and Zhengxiong Luo and Quan Sun and Yufeng Cui and Jinsheng Wang and Fan Zhang and Yueze Wang and Zhen Li and Qiying Yu and Yingli Zhao and Yulong Ao and Xuebin Min and Tao Li and Boya Wu and Bo Zhao and Bowen Zhang and Liangdong Wang and Guang Liu and Zheqi He and Xi Yang and Jingjing Liu and Yonghua Lin and Tiejun Huang and Zhongyuan Wang},
      year={2024},
      eprint={2409.18869},
      archivePrefix={arXiv},
      primaryClass={cs.CV},
      url={https://arxiv.org/abs/2409.18869}, 
}

Как запустить

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

GPU в ailist

Универсальный рантайм

Можно запустить

Подбираем GPU…

Ревизия весов
414c0a1

0 моделей