/ Модель

Характеристики

Размер весов
5,8 ГБ
Лицензия
Gemma
Архитектура
paligemma · dense
Базовая модель
paligemma-3b-mix-448
Библиотека
transformers
Опубликована
4 июн 2024

PaliGemma-3B-Chat-v0.2

Изображение и текст → текст3 профессии

Мультимодальная чат-модель для многоходовых вопросов и ответов по изображениям.

51скачиваний за 30 дней9лайковвеса обновлены5 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 «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

PaliGemma-3B-Chat-v0.2 — мультимодальная модель BUAADreamer, дообученная на основе google/paligemma-3b-mix-448 для многоходового диалога с изображениями. Она принимает изображение и текстовый запрос и генерирует текстовый ответ; подходит для вопросов об изображениях и диалоговых сценариев компьютерного зрения. По карточке, модель оценивалась на MMMU_Val и CMMMU_Val; в метаданных указаны архитектура PaliGemmaForConditionalGeneration, библиотека Transformers и формат safetensors.

В качестве обучающего набора указан BUAADreamer/llava-en-zh-300k. Метаданные перечисляют английский и китайский языки. Лицензия — Gemma; применимость зависит от условий этой лицензии.

Сценарии применения

  • ответы на вопросы о содержимом изображения
  • многоходовый диалог с изображением
  • описание объектов и сцен на изображении
  • визуальный диалог на английском языке
  • визуальный диалог на китайском языке

Ограничения

В приведённой карточке нет сведений о длине контекста или ограничениях применения. Результаты на MMMU_Val и CMMMU_Val приведены без методики оценки и сами по себе не гарантируют качество в других 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

PaliGemma-3B-Chat-v0.2

This model is fine-tuned from google/paligemma-3b-mix-448 for multiturn chat completions.

Try our live demo at: https://huggingface.co/spaces/llamafactory/PaliGemma-3B-Chat-v0.2

example_en example_zh

Usage

import requests
import torch
from PIL import Image
from transformers import AutoModelForVision2Seq, AutoProcessor, AutoTokenizer, TextStreamer

model_id = "BUAADreamer/PaliGemma-3B-Chat-v0.2"
tokenizer = AutoTokenizer.from_pretrained(model_id)
processor = AutoProcessor.from_pretrained(model_id)
model = AutoModelForVision2Seq.from_pretrained(model_id, torch_dtype="auto", device_map="auto")
streamer = TextStreamer(tokenizer, skip_prompt=True, skip_special_tokens=True)

url = "https://huggingface.co/datasets/huggingface/documentation-images/resolve/main/transformers/tasks/car.jpg?download=true"
image = Image.open(requests.get(url, stream=True).raw)
pixel_values = processor(images=[image], return_tensors="pt").to(model.device)["pixel_values"]

messages = [
    {"role": "user", "content": "What is in this image?"}
]
input_ids = tokenizer.apply_chat_template(messages, add_generation_prompt=True, return_tensors="pt")
image_token_id = tokenizer.convert_tokens_to_ids("<image>")
image_prefix = torch.empty((1, getattr(processor, "image_seq_length")), dtype=input_ids.dtype).fill_(image_token_id)
input_ids = torch.cat((image_prefix, input_ids), dim=-1).to(model.device)

generate_ids = model.generate(input_ids, pixel_values=pixel_values, streamer=streamer, max_new_tokens=50)

Training procedure

We used LLaMA Factory to fine-tune this model. During fine-tuning, we freezed the vision tower and adjusted the parameters in the language model and projector layer.

Training hyperparameters

The following hyperparameters were used during training:

  • learning_rate: 0.000003
  • num_train_epochs: 2.0
  • train_batch_size: 4
  • gradient_accumulation_steps: 16
  • total_train_batch_size: 64
  • seed: 42
  • lr_scheduler_type: cosine
  • mixed_precision_training: bf16
### model
model_name_or_path: google/paligemma-3b-mix-448
visual_inputs: true

### method
stage: sft
do_train: true
finetuning_type: full

### ddp
ddp_timeout: 180000000
deepspeed: examples/deepspeed/ds_z3_config.json

### dataset
dataset: identity,llava_150k_en,llava_150k_zh
template: gemma
cutoff_len: 1536
overwrite_cache: true
preprocessing_num_workers: 16
tokenized_path: cache/paligemma-identity-llava-zh-en-300k

### output
output_dir: models/paligemma-3b-chat-v0.2
logging_steps: 10
save_steps: 1000
plot_loss: true

### train
per_device_train_batch_size: 1
gradient_accumulation_steps: 16
learning_rate: 0.000003
num_train_epochs: 2.0
lr_scheduler_type: cosine
warmup_steps: 50
bf16: true
do_eval: false

Framework versions

  • Pytorch 2.3.0
  • Transformers 4.41.0

Evaluation Results

ModelMMMU_ValCMMMU_Val
Yi-VL-6B36.832.2
Paligemma-3B-Chat-v0.233.029.0

Как запустить

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

GPU в ailist

Универсальный рантайм · transformers

Можно запустить

Подбираем GPU…

Класс архитектуры
PaliGemmaForConditionalGeneration
Ревизия весов
2f5ccbc

0 моделей