/ Модель

Характеристики

Контекст
4 096 токенов
Параметры
6,6 млрд
Размер весов
14,2 ГБ
Лицензия
Apache 2.0
Архитектура
llava_llama · dense
Базовая модель
llava-v1.5-7b
Опубликована
18 окт 2024

LLaVA-3D-7B

Генерация текстаТекст → текст3 профессии

LLaVA-3D-7B — мультимодальная модель для ответов на вопросы и выполнения инструкций по изображениям и RGB-D данным о 3D-сценах.

2 812скачиваний за 30 дней6лайковвеса обновлены18 окт 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

LLaVA-3D-7B — мультимодальная модель диалогового типа, разработанная в рамках проекта LLaVA-3D и дообученная на наборе LLaVA-3D-Instruct-1M на основе LLaVA-v1.5-7B. Это плотная архитектура LlavaLlamaForCausalLM примерно на 6,6 млрд параметров; репозиторий содержит веса safetensors, а длина контекста составляет 4096 токенов.

Модель предназначена для вопросов и инструкций по одиночным изображениям в 2D-сценариях и по RGB-D изображениям с данными о позе для задач понимания 3D-сцен. Обучение включало подписи к сценам и их областям, а затем смесь из 1 млн инструкционных примеров 2D и 3D. Основной язык — английский. Модель принимает изображения и текст, а ответы формирует в виде текста.

Модель подходит для описания визуальных сцен и ответов на вопросы о содержимом изображений, включая 3D-сцены. Карточка не приводит количественных оценок качества или детальных ограничений применения. Лицензия — Apache-2.0.

Сценарии применения

  • ответы на вопросы о содержимом одиночного изображения
  • описание объектов и сцен на изображении
  • понимание 3D-сцен по RGB-D изображениям с данными о позе
  • диалоговые инструкции по визуальному содержимому

Ограничения

В карточке не приведены оценки качества и подробные сведения об ограничениях; задачи 3D-сцен описаны для posed RGB-D изображений.

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

LLaVA-3D

Table of Contents

  1. Model Summary
  2. Use
  3. Limitations
  4. Training
  5. License
  6. Citation

Model Summary

The LLaVA-3D model is a 7B parameter models trained on LLaVA-3D-Instruct-1M, based on LLaVA-v1.5-7B.

Use

Intended use

The model was trained on LLaVA-3D-Instruct-1M and has the ability to interact with the single image for 2D tasks and posed RBG-D images for 3D tasks.

Feel free to share your generations in the Community tab!

Training

Model

  • Pretraining Stage: scene-level and region-level caption data, 1 epoch, projector
  • Instructing Tuning Stage: A mixture of 1M high-quality 2D and 3D data, 1 epoch, full model
  • Precision: bfloat16

Hardware & Software

Citation

@article{zhu2024llava,
  title={LLaVA-3D: A Simple yet Effective Pathway to Empowering LMMs with 3D-awareness},
  author={Zhu, Chenming and Wang, Tai and Zhang, Wenwei and Pang, Jiangmiao and Liu, Xihui},
  journal={arXiv preprint arXiv:2409.18125},
  year={2024}
}

Как запустить

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

GPU в ailist

Универсальный рантайм

Нельзя запустить

Архитектура llava_llama неизвестна transformers в образе рантайма.

Класс архитектуры
LlavaLlamaForCausalLM
Ревизия весов
6cc1d27

0 моделей