/ Модель

Характеристики

Контекст
4 096 токенов
Размер весов
70,2 ГБ
Лицензия
Своя лицензия
Библиотека
transformers
Опубликована
15 мая 2024

Yi-VL-34B-hf

Вопросы по изображениюИзображение, текст → текст3 профессии

Yi-VL-34B — мультимодальная чат-модель 01-AI для ответов на вопросы по изображениям на китайском и английском языках.

18скачиваний за 30 дней5лайковвеса обновлены28 июн 2024

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

BUAADreamer/Yi-VL-34B-hf — версия в формате Hugging Face мультимодальной модели Yi-VL-34B, разработанной 01-AI. Это чат-модель с поддержкой зрения, предназначенная для ответов на вопросы по изображениям и диалога с визуальными данными. Репозиторий содержит веса в формате safetensors и рассчитан на использование с библиотекой Transformers.

Модель подходит для визуальных вопросов и ответов, а также для дообучения под прикладные задачи с изображениями. В карточке указана поддержка китайского и английского языков. Лицензия — Yi Series Model License; перед использованием следует учитывать её условия.

Сценарии применения

  • ответы на вопросы о содержимом изображения
  • диалог с моделью о загруженной фотографии
  • описание и интерпретация визуальных данных
  • дообучение модели для специализированных задач анализа изображений

Ограничения

Карточка не приводит оценок качества или подробных ограничений; применимость к конкретным сценариям стоит проверять на своих данных. Условия лицензии Yi Series Model License могут ограничивать использование.

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

This is the Huggingface version of Yi-VL-34B model.

You may use this model for fine-tuning in downstream tasks, we recommend using our efficient fine-tuning toolkit. https://github.com/hiyouga/LLaMA-Factory

Usage:

import requests
from PIL import Image

import torch
from transformers import AutoProcessor, AutoModelForVision2Seq, LlavaConfig
import transformers
from torch import nn

class LlavaMultiModalProjectorYiVL(nn.Module):
    def __init__(self, config: "LlavaConfig"):
        super().__init__()
        self.linear_1 = nn.Linear(config.vision_config.hidden_size, config.text_config.hidden_size, bias=True)
        self.linear_2 = nn.LayerNorm(config.text_config.hidden_size, bias=True)
        self.linear_3 = nn.Linear(config.text_config.hidden_size, config.text_config.hidden_size, bias=True)
        self.linear_4 = nn.LayerNorm(config.text_config.hidden_size, bias=True)
        self.act = nn.GELU()

    def forward(self, image_features):
        hidden_states = self.linear_1(image_features)
        hidden_states = self.linear_2(hidden_states)
        hidden_states = self.act(hidden_states)
        hidden_states = self.linear_3(hidden_states)
        hidden_states = self.linear_4(hidden_states)
        return hidden_states
# Monkey patch of LlavaMultiModalProjector is mandatory
transformers.models.llava.modeling_llava.LlavaMultiModalProjector = LlavaMultiModalProjectorYiVL

model_id = "BUAADreamer/Yi-VL-34B-hf"

messages = [
  { "role": "user", "content": "<image>What's in the picture?" }
]
image_file = "http://images.cocodataset.org/val2017/000000039769.jpg"

model = AutoModelForVision2Seq.from_pretrained(
    model_id, 
    torch_dtype=torch.float16, 
    low_cpu_mem_usage=True, 
).to(0)
processor = AutoProcessor.from_pretrained(model_id)

text = [processor.tokenizer.apply_chat_template(messages, tokenize=False, add_generation_prompt=False)]
images = [Image.open(requests.get(image_file, stream=True).raw)]
inputs = processor(text=text, images=images, return_tensors='pt').to(0, torch.float16)

output = model.generate(**inputs, max_new_tokens=200)
output = processor.batch_decode(output, skip_special_tokens=True)
print(output.split("Assistant:")[-1].strip())

You could also alternatively launch a Web demo by using the CLI command in LLaMA-Factory

llamafactory-cli webchat \
--model_name_or_path BUAADreamer/Yi-VL-34B-hf \
--template yi_vl \
--visual_inputs

Как запустить

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

GPU в ailist

Универсальный рантайм · transformers

Нельзя запустить

В репозитории нет config.json: не понять архитектуру модели.

Ревизия весов
d1ce99b

0 моделей