/ Модель

Характеристики

Размер весов
29,2 ГБ
Лицензия
Apache 2.0
Архитектура
sa2va_chat · dense
Библиотека
transformers
Опубликована
15 июн 2026

Sa2VA-LLaVA-1.5-7B

Генерация текстаТекст → текст3 профессии

Мультимодальная модель на базе LLaVA-1.5-7B для визуального диалога и сегментации описанных пользователем объектов на изображениях и видео.

91скачиваний за 30 дней0лайковвеса обновлены28 июл 2026

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-LLaVA-1.5-7B — мультимодальная модель диалога и сегментации изображений и видео из семейства Sa2VA, построенная на LLaVA-1.5-7B: визуальном энкодере CLIP-ViT-L-336 и языковой модели Vicuna-7B. Она использует энкодер SAM2 для привязки упоминаний объектов к пиксельным маскам: модель предсказывает токен [SEG], скрытое состояние которого подаётся декодеру масок SAM2. Модель предназначена для сегментации объектов по текстовому описанию на изображениях и видео, генерации ответов по визуальному содержимому и диалога с привязкой к объектам.

В README приведены результаты на наборах RefCOCO, RefCOCO+, RefCOCOg, MeViS, ReVOS и Ref-DAVIS17. Разрешение входа для SAM2 grounding составляет 1024 пикселя. Модель принимает текст и изображения, а для видеосценариев — также видео; выдаёт текст и маски сегментации. Для загрузки требуется bfloat16; README указывает, что tokenizer используется вместо AutoProcessor. Лицензия — Apache-2.0.

Сценарии применения

  • сегментация объекта на изображении по текстовому описанию
  • сегментация упомянутого объекта в видеоклипе
  • ответы на вопросы о содержимом изображения
  • генерация диалога с привязкой к сегментам объектов
  • оценка и сравнение методов сегментации по RefCOCO и видеонаборам

Ограничения

Для загрузки требуется bfloat16; режим torch_dtype="auto" может завершиться ошибкой из-за смешанной точности lm_head. Разрешение входа SAM2 grounding составляет 1024 пикселя.

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-LLaVA-1.5-7B

Sa2VA-LLaVA-1.5-7B is a Sa2VA model built on LLaVA-1.5-7B (CLIP-ViT-L-336 vision encoder + Vicuna-7B language model) with a SAM2 grounding encoder. The MLLM predicts a [SEG] token whose hidden state conditions the SAM2 mask decoder, producing dense image and video referring segmentation alongside open-ended chat. It is intended as a LISA-comparable baseline within the Sa2VA family.

This checkpoint is self-contained: the SAM2 grounding code is vendored into the repository, so it loads with trust_remote_code=True without any extra packages.

Results

Image referring segmentation (cIoU):

RefCOCO val / testA / testBRefCOCO+ val / testA / testBRefCOCOg val / test
80.3 / 82.4 / 76.773.1 / 78.0 / 66.279.2 / 80.1

Video referring segmentation (J&F):

MeViS (val_u)ReVOSRef-DAVIS17
54.854.074.6

Grounded conversation generation (GCG, val):

AP50mIoURecall
31.266.643.7

Usage

import torch
from transformers import AutoModel, AutoTokenizer
from PIL import Image

path = "HarborYuan/Sa2VA-LLaVA-1.5-7B"
model = AutoModel.from_pretrained(
    path, torch_dtype=torch.bfloat16, trust_remote_code=True, low_cpu_mem_usage=True,
).eval().cuda()
tokenizer = AutoTokenizer.from_pretrained(path, trust_remote_code=True)

image = Image.open("your_image.jpg").convert("RGB")
out = model.predict_forward(
    image=image,
    text="<image>Please segment the dog in the image.",
    tokenizer=tokenizer,
)
print(out["prediction"])          # text response containing [SEG]
masks = out["prediction_masks"]   # list of boolean masks at the original image size

Load in bfloat16 (the lm_head is kept in higher precision; torch_dtype="auto" mixes dtypes and fails). This model uses a tokenizer (not an AutoProcessor).

For video, pass video=[frame0, frame1, ...] (a list of PIL images) instead of image.

Notes

  • SAM2 grounding input resolution is 1024.
  • Built on Sa2VA.

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 Sun, Yueyi and Huang, Zilong and Xu, Shilin and Ji, Shunping and Tong, Yunhai and Qi, Lu and Feng, Jiashi and Yang, Ming-Hsuan},
  journal={IEEE TPAMI},
  year={2026}
}

Как запустить

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

GPU в ailist

Универсальный рантайм · transformers

Нельзя запустить

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

Класс архитектуры
Sa2VAChatModelLlava
Ревизия весов
2655e31

0 моделей