/ Модель

Характеристики

Контекст
32 768 токенов
Параметры
1,5 млрд
Лицензия
Apache 2.0
Архитектура
qwen2_vl · dense
Библиотека
transformers
Опубликована
24 сен 2024

Xinyuan-VL-2B

Вопросы по изображениюИзображение, текст → текст4 профессии

Мультимодальная модель Cylingo на базе Qwen2-VL для ответов на вопросы по изображениям на китайском и английском языках.

27скачиваний за 30 дней7лайковвеса обновлены25 ноя 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

Xinyuan-VL-2B — мультимодальная модель Cylingo Group для работы с изображениями и текстом. Она дообучена на базе Qwen/Qwen2-VL-2B-Instruct на более чем 5 млн мультимодальных примеров и небольшом объёме обычных текстовых данных. Модель построена на архитектуре Qwen2-VL, содержит 1,5 млрд параметров и поддерживает контекст до 32 768 токенов.

Модель предназначена для визуальных вопросов и ответов: пользователь может передать изображение и задать вопрос на естественном языке. В README сообщается об оценке с помощью VLMEvalKit и результатах на бенчмарках MMB-CN-V11-Test, MMB-EN-V11-Test и MMB-EN, где модель превзошла приведённые сравнимые модели. Поддерживаются китайский и английский языки; репозиторий использует Transformers и формат safetensors. Лицензия — Apache-2.0.

Сценарии применения

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

Ограничения

В README приведены результаты только на указанных бенчмарках; они не гарантируют качество на других типах изображений и пользовательских сценариях. Оценка по результатам таблицы не заменяет проверку на целевых данных.

Для каких профессий подходит4

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

Introduction

Xinyuan-VL-2B is a high-performance multimodal large model for the end-side from the Cylingo Group, which is fine-tuned with Qwen/Qwen2-VL-2B-Instruct, and uses more than 5M of multimodal data as well as a small amount of plain text data.

It performs well on several authoritative Benchmarks.

How to use

In order to rely on the thriving ecology of the open source community, we chose to fine-tune Qwen/Qwen2-VL-2B-Instruct to form our Cylingo/Xinyuan-VL- 2B.

Thus, using Cylingo/Xinyuan-VL-2B is consistent with using Qwen/Qwen2-VL-2B-Instruct:

from transformers import Qwen2VLForConditionalGeneration, AutoTokenizer, AutoProcessor
from qwen_vl_utils import process_vision_info

# default: Load the model on the available device(s)
model = Qwen2VLForConditionalGeneration.from_pretrained(
    "Cylingo/Xinyuan-VL-2B", torch_dtype="auto", device_map="auto"
)

# default processer
processor = AutoProcessor.from_pretrained("Cylingo/Xinyuan-VL-2B")

messages = [
    {
        "role": "user",
        "content": [
            {
                "type": "image",
                "image": "https://qianwen-res.oss-cn-beijing.aliyuncs.com/Qwen-VL/assets/demo.jpeg",
            },
            {"type": "text", "text": "Describe this image."},
        ],
    }
]

# Preparation for inference
text = processor.apply_chat_template(
    messages, tokenize=False, add_generation_prompt=True
)
image_inputs, video_inputs = process_vision_info(messages)
inputs = processor(
    text=[text],
    images=image_inputs,
    videos=video_inputs,
    padding=True,
    return_tensors="pt",
)
inputs = inputs.to("cuda")

# Inference: Generation of the output
generated_ids = model.generate(**inputs, max_new_tokens=128)
generated_ids_trimmed = [
    out_ids[len(in_ids) :] for in_ids, out_ids in zip(inputs.input_ids, generated_ids)
]
output_text = processor.batch_decode(
    generated_ids_trimmed, skip_special_tokens=True, clean_up_tokenization_spaces=False
)
print(output_text)

Evaluation

We evaluated XinYuan-VL-2B using the VLMEvalKit toolkit across the following benchmarks and found that XinYuan-VL-2B outperformed Qwen/Qwen2-VL-2B-Instruct released by Alibaba Cloud, as well as other models of comparable parameter scale that have significant influence in the open-source community.

You can see the results in opencompass/open_vlm_leaderboard:

BenchamrkMiniCPM-2BInternVL-2BQwen2-VL-2BXinYuan-VL-2B
MMB-CN-V11-Test64.568.971.274.3
MMB-EN-V11-Test65.870.273.276.5
MMB-EN69.174.474.378.9
MMB-CN66.571.273.876.12
CCBench45.374.753.755.5
MMT-Bench53.550.854.555.2
RealWorld55.857.362.963.9
SEEDBench_IMG67.170.972.8673.4
AI2D56.374.174.774.2
MMMU38.236.341.140.9
HallusionBench36.236.242.455.00
POPE86.386.386.8289.42
MME1808.61876.81872.01854.9
MMStar39.149.847.551.87
SEEDBench2_Plus51.959.962.2362.98
BLINK41.242.843.9242.98
OCRBench605781794782
TextVQA74.173.479.777.6

Как запустить

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

GPU в ailist

Универсальный рантайм · transformers

Можно запустить

Подбираем GPU…

Класс архитектуры
Qwen2VLForConditionalGeneration
Ревизия весов
ef7ef03

0 моделей