/ Модель

Характеристики

Контекст
32 768 токенов
Параметры
7,1 млрд
Размер весов
15,9 ГБ
Лицензия
Apache 2.0
Архитектура
qwen2 · dense
Базовая модель
Qwen2.5-7B-Instruct
Опубликована
1 ноя 2024

MLCD-Embodied-7B

Генерация текстаТекст → текст3 профессии

Дообученная мультимодальная модель Qwen2 на 7,1 млрд параметров для ответов на вопросы об изображениях и понимания сцен в робототехнических задачах.

98скачиваний за 30 дней20лайковвеса обновлены28 апр 2025

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 «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

MLCD-Embodied-7B — дообученная мультимодальная модель семейства Qwen2 для диалогов и ответов на вопросы об изображениях с упором на понимание сцен и объектов в робототехнике и embodied-задачах. В README приведены результаты оценки на RoboVQA и OpenEQA, а также на общих мультимодальных тестах, включая ChartQA, DocVQA и OCRBench.

Модель содержит 7,1 млрд параметров, использует архитектуру LlavaQwenForCausalLM и принимает текст и изображения, формируя текстовые ответы. Контекст составляет 32 768 токенов. В метаданных указаны китайский, английский, французский, испанский, португальский, немецкий, итальянский, русский, японский, корейский, вьетнамский, тайский и арабский языки. Модель основана на Qwen/Qwen2.5-7B-Instruct и распространяется в формате safetensors по лицензии Apache-2.0.

Сценарии применения

  • ответы на вопросы о сценах и объектах в робототехнике
  • распознавание состояний и свойств объектов на изображениях
  • пространственное рассуждение по визуальным данным
  • ответы на вопросы по диаграммам и документам
  • извлечение текста из изображений

Ограничения

README приводит результаты бенчмарков, но не описывает систематические ограничения; показатели на отдельных тестах не гарантируют аналогичного качества в реальных сценариях.

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

[Paper] [GitHub]

Embodied Ability Evaluation: Performance in RoboVQA and OpenEQA

MLCD Embodied-7BLLaVA OneVision-7BGPT-4vRoboMamba
RoboVQABLEU173.1638.12-54.9
BLEU266.3933.56-44.2
BLEU360.6131.76-39.5
BLEU456.5630.97-36.3
OpenEQAObject State Recognition71.83-63.2-
Object Recognition49.46-43.4-
Functional Reasoning54.38-57.4-
Spatial Understanding48.64-33.6-
Attribute Recognition67.08-57.2-
World Knowledge53.87-50.7-
Object Localization43.06-42.0-

General Ability Evaluation: Comparison with LLaVA OneVision-7B and GPT-4

DatasetSplitMLCDEmbodied-7BLLaVAOneVision-7BGPT-4vGPT-4o
A12Dtest79.981.478.294.2
ChartQAtest83.080.078.585.7
DocVQAtest91.687.588.492.8
InfoVQAval73.970.7--
InfoVQAtest70.068.8--
MMMUval47.348.856.869.1
MMStartest58.561.757.163.9
OCRBench-749.0697.0656.0805.0
RealWorldQAtest68.966.361.458.6
SeedBenchimage74.975.449.976.2
MMbenchen-dev81.183.281.383.4
MMbenchen-test80.180.875.0-
MMEtest578/1603418/1580517/1409-

Usage

A. Installation

git clone https://github.com/deepglint/unicom
cd unicom/mlcd_vl

docker build -t train_mlcd_llava .

docker run --gpus all \
-v /vlm:/vlm \
-v /mnt:/mnt \
-v $(pwd):/workspace \
--rm \
-w /workspace \
--shm-size=64g -it train_mlcd_llava bash

pip install flash-attn==2.3.3 --no-build-isolation

B. Inference

CUDA_VISIBLE_DEVICES=0 python infer_mlcd_emboided.py --model_dir DeepGlint-AI/MLCD-Embodied-7B

# example:
# >> Enter 'exit' to end the conversation, 'reset' to clear the chat history.
# >> Enter image file paths (comma-separated): ../_static/images/logo.png
# >> User: <image>What kind of animal is it in this picture?
# >> Assistant: The image features a stylized representation of a cat, characterized by its vibrant and abstract depiction.
# >> User: What color is this cat?
# >> Assistant: The cat in the image is primarily white with blue, orange and pink accents, creating a visually appealing and unique appearance.

C. Evaluation for Embodied Ability

Step 1

Download raw data following OpenEQA and RoboVQA(val part)

Step 2

Converting raw data into the format required for model evaluation.

# convert OpenEQA benchmark. Note: replace the paths with your own.
python llava/benchmark/make_openeqa_bmk.py

# convert RoboVQA benchmark. Note: replace the paths with your own.
python llava/benchmark/make_robovqa_bmk.py

Step 3

Make sure that your top-level directory structure should look like this:

|--/path/to/your/benchmarks
|  |--OpenEQA
|  |  |--openeqa_scannet.parquet
|  |  |--openeqa_hm3d.parquet
|  |--RoboVQA
|     |--robovqa.parquet
|--/path/to/your/images
   |--openeqa_val
   |  |--scannet-v0
   |  |  |--002-scannet-scene0709_00
   |  |  |--xxx-scannet-scenexxxx_xx
   |  |--hm3d-v0
   |     |--000-hm3d-BFRyYbPCCPE
   |     |--xxx-hm3d-xxxxxxxxxxx
   |--robovqa_val
      |--robovqa_221911
      |--robovqa_xxxxxx

Step 4

Run script for evaluation

# Note: replace 'YOUR_API_KEY', 'YOUR_ENDPOINT', 'bmk_root', 'image_folder' with your own.
bash scripts/eval/eval_robo.sh /path/to/your/model

D. Evaluation for General Ability

Install the evaluation tool and execute the evaluation script:

pip install lmms-eval==0.2.0
PYTHONPATH=./ CUDA_VISIBLE_DEVICES=0,1,2,3,4,5,6,7 python -m accelerate.commands.launch \
    --main_process_port=12444 \
    --num_processes=8 \
    -m lmms_eval \
    --model llava \
    --model_args pretrained=DeepGlint-AI/MLCD-Embodied-7B,conv_template=qwen_1_5 \
    --tasks mme \
    --batch_size 1 \
    --log_samples \
    --log_samples_suffix mlcd \
    --output_path ./eval_log/

We would like to express our gratitude to Huajie Tan, Yumeng Wang, Yin Xie for his significant contributions to the experimental validation in MLLMs.

Как запустить

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

GPU в ailist

Универсальный рантайм

Можно запустить

Подбираем GPU…

Класс архитектуры
LlavaQwenForCausalLM
Ревизия весов
fc4dd9f

0 моделей