/ Модель

Характеристики

Размер весов
15,1 ГБ
Лицензия
MIT
Архитектура
llava_next · dense
Базовая модель
llava-v1.6-mistral-7b-hf
Библиотека
transformers
Опубликована
22 апр 2025

UniME-LLaVA-1.6-7B

Изображение и текст → текст5 профессий

UniME-LLaVA-1.6-7B — дообученная мультимодальная LLaVA-NeXT для визуальных вопросов, диалога по изображениям и улучшенного сопоставления текста с изображениями.

26скачиваний за 30 дней5лайковвеса обновлены6 мая 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 «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

UniME-LLaVA-1.6-7B — мультимодальная модель DeepGlint AI для получения текстовых и визуальных представлений и выполнения задач сопоставления текста с изображениями. Она дообучена на базе llava-hf/llava-v1.6-mistral-7b-hf; архитектура LLaVA-NeXT с языковой частью Mistral-7B принимает изображения и текстовые инструкции и формирует текстовый ответ, пригодный для визуального диалога и вопросов об изображениях.

Модель обучалась для улучшения мультимодальных эмбеддингов: применялась дистилляция текстовых представлений с учителем NV-Embed V2, затем — instruction tuning с подбором сложных негативных примеров. По README, на этапе дистилляции дообучалась только языковая часть, а остальные параметры оставались замороженными. Модель обучена на TIGER-Lab/MMEB-train и заявлена авторами как лидер таблицы MMEB при разрешении изображений 336×336 на момент снимка в README.

Модель распространяется в формате safetensors по лицензии MIT. Она предназначена для сценариев, где нужно сопоставлять изображения и текст или отвечать на запросы по изображениям; заявленное лидерство относится к конкретной таблице и снимку результатов, а не гарантирует превосходство на любых задачах.

Сценарии применения

  • ответы на вопросы по изображению
  • диалог с моделью о содержимом изображения
  • поиск соответствия между изображением и текстовым запросом
  • оценка мультимодального сходства для поиска изображений
  • следование инструкциям, связанным с визуальным содержимым

Ограничения

В README не приводятся количественные показатели, кроме результата на MMEB, привязанного к разрешению 336×336 и снимку таблицы от 6 мая 2025 года; качество на других тестах не установлено. Поддержка языков указана для английского.

Для каких профессий подходит5

Разделы каталога профессий, в задачах которых используется эта модель

Все профессии

Также подходит для

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

Breaking the Modality Barrier: Universal Embedding Learning with Multimodal LLMs

Tiancheng Gu*, Kaicheng Yang*, Ziyong Feng, Xingjun Wang, Yanzhao Zhang, Dingkun Long, Yingda Chen, Weidong Cai, Jiankang Deng

🏡 Project Page | 📄 Paper | 💻 Github

UniME achieves the top ranking on the MMEB leaderboard training using a 336×336 image resolution.(The screenshot is captured at 08:00 UTC+8 on May 6, 2025.)

💡 Highlights

To enhance the MLLM's embedding capability, we propose textual discriminative knowledge distillation. The training process involves decoupling the MLLM's LLM component and processing text with the prompt "Summarize the above sentences in one word.", followed by aligning the student (MLLM) and teacher (NV-Embed V2) embeddings via KL divergence on batch-wise similarity distributions. Notably, only the LLM component is fine-tuned during this process, while all other parameters remain frozen.

After that, we propose hard negative enhanced instruction tuning enhances multimodal systems by improving visual sensitivity, strengthening cross-modal alignment, and boosting instruction-following capabilities. At its core are two key innovations: a false negative filtering mechanism using a similarity threshold to eliminate misleading samples, and an automatic hard negative sampling strategy that selects top-k similar but non-matching examples to increase training difficulty.

🧭 Quick Start

git clone https://github.com/deepglint/UniME.git
cd UniME
conda create -n uniME python=3.10 -y
conda activate uniME
pip install -r requirements.txt
import torch
from PIL import Image
from torch.nn import functional as F
from transformers import LlavaNextProcessor, LlavaNextForConditionalGeneration


base_model_path="DeepGlint-AI/UniME-LLaVA-1.6-7B"
img_prompt = "[INST] <image>\nSummary above image in one word: [/INST]"
text_prompt = "[INST] <sent>\nSummary above sentence in one word: [/INST]"

text = "A man is crossing the street with a red car parked nearby."
image_path = "figures/demo.png"
input_texts = text_prompt.replace('<sent>', text)
input_image_prompt = img_prompt
input_image = [Image.open(image_path)]

transform = LlavaNextProcessor.from_pretrained(base_model_path)
model = LlavaNextForConditionalGeneration.from_pretrained(base_model_path, device_map="cuda", torch_dtype=torch.float16, low_cpu_mem_usage=True) 
transform.tokenizer.padding_side = "left"
transform.tokenizer.padding = True

inputs_text = transform(text=input_texts,
                    images=None,
                    return_tensors="pt", 
                    padding=True)
for key in inputs_text: inputs_text[key] = inputs_text[key].to("cuda")
inputs_image = transform(text=input_image_prompt,
                    images=input_image, 
                    return_tensors="pt", 
                    padding=True).to("cuda")

with torch.no_grad():
  emb_text = model(**inputs_text, output_hidden_states=True, return_dict=True).hidden_states[-1][:, -1, :]
  emb_image = model(**inputs_image, output_hidden_states=True, return_dict=True).hidden_states[-1][:, -1, :]
  emb_text = F.normalize(emb_text, dim=-1)
  emb_image = F.normalize(emb_image, dim=-1)
  Score = emb_image @ emb_text.T
print("Score: ", Score)

🔢 Results

Diverse Retrieval

MMEB

📖 Citation

If you find this repository useful, please use the following BibTeX entry for citation.

@misc{gu2025breakingmodalitybarrieruniversal,
      title={Breaking the Modality Barrier: Universal Embedding Learning with Multimodal LLMs}, 
      author={Tiancheng Gu and Kaicheng Yang and Ziyong Feng and Xingjun Wang and Yanzhao Zhang and Dingkun Long and Yingda Chen and Weidong Cai and Jiankang Deng},
      year={2025},
      eprint={2504.17432},
      archivePrefix={arXiv},
      primaryClass={cs.CV},
      url={https://arxiv.org/abs/2504.17432}, 
}

Как запустить

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

GPU в ailist

Универсальный рантайм · transformers

Можно запустить

Подбираем GPU…

Класс архитектуры
LlavaNextForConditionalGeneration
Ревизия весов
413454a

0 моделей