/ Модель

Характеристики

Контекст
16 384 токена
Размер весов
92 ГБ
Лицензия
Apache 2.0
Архитектура
sa2va_chat · dense
Базовая модель
InternVL2.5-26B
Библиотека
transformers
Опубликована
14 янв 2025

Sa2VA-26B

Генерация текстаТекст → текст3 профессии

Sa2VA-26B — мультимодальная чат-модель ByteDance для ответов на вопросы по изображениям и видео, визуальной локализации и сегментации объектов.

162скачиваний за 30 дней32лайкавеса обновлены8 сен 2025

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

Sa2VA-26B — мультимодальная чат-модель ByteDance для понимания изображений и видео. Она сочетает языковую модель с SAM2 и предназначена для ответов на вопросы по визуальному содержимому, понимания визуальных подсказок, локализации объектов и их плотной сегментации на изображениях и в видео. В метаданных указаны архитектура Sa2VAChatModel, плотная структура, формат safetensors и библиотека Transformers; размер версии — 26 млрд параметров.

Модель подходит для анализа сцен, диалоговых запросов о содержимом изображений и видео, а также для сегментации объектов по текстовым или визуальным подсказкам. Семейство Sa2VA описано как многоязычное; карточка отмечает сопоставимые с ведущими MLLM результаты на бенчмарках вопросов и ответов и высокие результаты на задачах визуального grounding и сегментации. Репозиторий указывает слияние с OpenGVLab/InternVL2.5-26B. Лицензия — Apache-2.0. Длина контекста и конкретный перечень поддерживаемых языков не приведены в доступных источниках.

Сценарии применения

  • ответы на вопросы о содержимом изображений
  • ответы на вопросы по видеосценам
  • сегментация объектов по текстовой подсказке
  • сегментация объектов по визуальной подсказке
  • локализация объектов на изображениях и в видео

Ограничения

Карточка не сообщает длину контекста и конкретные языки, поддерживаемые моделью. Результаты бенчмарков приведены для семейства Sa2VA, но доступный фрагмент не содержит отдельной строки с показателями версии 26B.

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

Sa2VA: Marrying SAM2 with LLaVA for Dense Grounded Understanding of Images and Videos

[📂 GitHub] [📜 Sa2VA paper] [🚀 Quick Start]

Introduction

Sa2VA is an MLLM capable of question answering, visual prompt understanding, and dense object segmentation at both image and video levels. It achieves comparable performance to SOTA MLLMs Qwen2-VL and InternVL2.5 on question-answering benchmarks. Additionally, Sa2VA possesses the visual prompt understanding and dense object segmentation capabilities that SOTA MLLMs Qwen2-VL and InternVL2.5 lack. Sa2VA achieves SOTA performance on both image and video grounding and segmentation benchmarks.

Sa2VA Family

We built the Sa2VA series based on Qwen2-VL and InternVL2/2.5. In the following table, we provide some Sa2VA models built on InternVL2.5. Other Sa2VA models will be open-sourced soon.

Model NameBase MLLMLanguage PartHF Link
Sa2VA-1BInternVL2.5-1BQwen2.5-0.5B-Instruct🤗 link
Sa2VA-4BInternVL2.5-4BQwen2.5-3B-Instruct🤗 link
Sa2VA-8BInternVL2.5-8Binternlm2_5-7b-chat🤗 link
Sa2VA-26BInternVL2.5-26Binternlm2_5-20b-chat🤗 link

Sa2VA Performance

Model NameMMEMMBenchRefCOCORefCOCO+RefCOCOgMeVIS (val_u)DAVIS
Sa2VA-1B1504/43471.979.673.677.753.469.5
Sa2VA-4B1691/61081.882.477.679.755.973.7
Sa2VA-8B1690/61084.482.678.080.358.975.9
Sa2VA-26B1698/65385.882.979.381.261.878.6

Quick Start

We provide an example code to run Sa2VA using transformers.

import torch
from transformers import AutoTokenizer, AutoModel
from PIL import Image
import numpy as np
import os

def get_rank_and_world_size():
    rank = int(os.environ.get('RANK', 0))
    world_size = int(os.environ.get('WORLD_SIZE', 1))
    return rank, world_size

def split_model(model_name):
    import math
    device_map = {}
    num_gpus = torch.cuda.device_count()
    rank, world_size = get_rank_and_world_size()
    num_gpus = num_gpus // world_size

    num_layers = {'Sa2VA-8B': 32, 'Sa2VA-26B': 48,
                  'Sa2VA-38B': 64, 'Sa2VA-78B': 80}[model_name]
    # Since the first GPU will be used for ViT, treat it as 0.8 GPU.
    num_layers_per_gpu = math.ceil(num_layers / (num_gpus - 0.2))
    num_layers_per_gpu = [num_layers_per_gpu] * num_gpus
    num_layers_per_gpu[0] = math.ceil(num_layers_per_gpu[0] * 0.8)
    layer_cnt = 0
    for i, num_layer in enumerate(num_layers_per_gpu):
        for j in range(num_layer):
            device_map[f'language_model.model.layers.{layer_cnt}'] = rank + world_size * i
            layer_cnt += 1
    device_map['vision_model'] = rank
    device_map['mlp1'] = rank
    device_map['language_model.model.tok_embeddings'] = rank
    device_map['language_model.model.embed_tokens'] = rank
    device_map['language_model.output'] = rank
    device_map['language_model.model.norm'] = rank
    device_map['language_model.lm_head'] = rank
    device_map[f'language_model.model.layers.{num_layers - 1}'] = rank
    device_map['grounding_encoder'] = rank
    device_map['text_hidden_fcs'] = rank
    return device_map

# load the model and tokenizer
path = "ByteDance/Sa2VA-26B"
device_map = split_model("Sa2VA-26B")
model = AutoModel.from_pretrained(
    path,
    torch_dtype=torch.bfloat16,
    low_cpu_mem_usage=True,
    use_flash_attn=True,
    trust_remote_code=True,
    device_map=device_map,
).eval()
tokenizer = AutoTokenizer.from_pretrained(path, trust_remote_code=True, use_fast=False)

# for image chat
image_path = "/PATH/TO/IMAGE"
text_prompts = "<image>Please describe the image."
image = Image.open(image_path).convert('RGB')
input_dict = {
    'image': image,
    'text': text_prompts,
    'past_text': '',
    'mask_prompts': None,
    'tokenizer': tokenizer,
    }
return_dict = model.predict_forward(**input_dict)
answer = return_dict["prediction"] # the text format answer

# for image chat with segmentation output
image_path = "/PATH/TO/IMAGE"
text_prompts = "<image>Could you please give me a brief description of the image? Please respond with interleaved segmentation masks for the corresponding parts of the answer."
image = Image.open(image_path).convert('RGB')
input_dict = {
    'image': image,
    'text': text_prompts,
    'past_text': '',
    'mask_prompts': None,
    'tokenizer': tokenizer,
    }
return_dict = model.predict_forward(**input_dict)
answer = return_dict["prediction"] # the text format answer
masks = return_dict['prediction_masks']  # segmentation masks, list(np.array(1, h, w), ...)
    
# for chat with visual prompt (mask format) input
mask_prompts = np.load('/PATH/TO/pred_masks.npy') # np.array(n_prompts, h, w)
image_path = "/PATH/TO/IMAGE"
text_prompts = "<image>Can you provide me with a detailed description of the region in the picture marked by region1."
image = Image.open(image_path).convert('RGB')
input_dict = {
    'image': image,
    'text': text_prompts,
    'past_text': '',
    'mask_prompts': mask_prompts,
    'tokenizer': tokenizer,
    }
return_dict = model.predict_forward(**input_dict)
answer = return_dict["prediction"] # the text format answer

# for video chat
video_folder = "/PATH/TO/VIDEO_FOLDER"
images_paths = os.listdir(video_folder)
images_paths = [os.path.join(video_folder, image_path) for image_name in images_paths]
if len(images_paths) > 5:  # uniformly sample 5 frames
    step = (len(images_paths) - 1) // (5 - 1)
    images_paths = [images_paths[0]] + images_paths[1:-1][::step][1:] + [images_paths[-1]]
text_prompts = "<image>Please describe the video."
input_dict = {
    'video': images_paths,
    'text': text_prompts,
    'past_text': '',
    'mask_prompts': None,
    'tokenizer': tokenizer,
}
return_dict = model.predict_forward(**input_dict)
answer = return_dict["prediction"] # the text format answer


# for video chat with segmentation mask output
video_folder = "/PATH/TO/VIDEO_FOLDER"
images_paths = os.listdir(video_folder)
images_paths = [os.path.join(video_folder, image_path) for image_name in images_paths]
text_prompts = "<image>Please segment the person."
input_dict = {
    'video': images_paths,
    'text': text_prompts,
    'past_text': '',
    'mask_prompts': None,
    'tokenizer': tokenizer,
}
return_dict = model.predict_forward(**input_dict)
answer = return_dict["prediction"] # the text format answer
masks = return_dict['prediction_masks']  # segmentation masks, list(np.array(n_frames, h, w), ...)

Citation

If you find this project useful in your research, please consider citing:

@article{sa2va,
  title={Sa2VA: Marrying SAM2 with LLaVA for Dense Grounded Understanding of Images and Videos},
  author={Yuan, Haobo and Li, Xiangtai and Zhang, Tao and Huang, Zilong Huang and Xu, Shilin and Ji, Shunping and Tong, Yunhai and Qi, Lu and Feng, Jiashi and Yang, Ming-Hsuan},
  journal={arXiv preprint},
  year={2025}
}

Как запустить

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

GPU в ailist

vLLM

Нельзя запустить

Модели нужен код из репозитория; автор пока не в списке доверенных организаций.

Класс архитектуры
Sa2VAChatModel
Ревизия весов
75e057e

0 моделей