/ 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
15 окт 2024

llava-mlcd-qwen2.5-7b

Генерация текстаТекст → текст3 профессии

Мультимодальная модель LLaVA-Next на базе Qwen2.5-7B с визуальным энкодером MLCD для диалога и ответов по изображениям.

84скачиваний за 30 дней10лайковвеса 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

DeepGlint-AI/llava-mlcd-qwen2.5-7b — мультимодальная модель семейства LLaVA-Next, разработанная DeepGlint-AI. В ней визуальный энкодер MLCD используется вместе с языковой моделью Qwen2.5-7B, дообученной на общедоступных наборах LLaVA-Pretrain и LLaVA-NeXT-Data. Модель содержит 7,1 млрд параметров, имеет контекст 32 768 токенов и распространяется в формате safetensors по лицензии Apache-2.0.

Модель предназначена для диалога и генерации ответов с учётом изображений. В экспериментах авторы заменили CLIP в LLaVA-Next на MLCD и сообщили о результатах на бенчмарках AI2D и ScienceQA_img; это демонстрирует применение модели к визуальным вопросам и задачам на понимание изображений. Метаданные Hugging Face классифицируют её как text-generation, поэтому задача image-text-to-text не добавляется к pipeline-тегам.

README отмечает, что модели, обученные на более крупных наборах данных, могут лучше справляться с большим числом задач. В карточке приведены результаты экспериментов, но нет подробных инструкций по использованию или оценки качества за пределами указанных бенчмарков.

Сценарии применения

  • ответы на вопросы по содержимому изображения
  • решение визуальных задач по естественно-научным схемам и диаграммам
  • анализ изображений в диалоговом интерфейсе

Ограничения

Авторы отмечают, что обучение на более крупных наборах данных может улучшить результаты на дополнительных задачах. В README приведены результаты лишь для части бенчмарков, поэтому они не характеризуют качество на всех 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]

Model

We used MLCD as the Vision Encoder in LLaVA-Next. image/png

Data

Our model was trained on publicly available data from the LLaVA-Pretrain and LLaVA-NeXT-Data datasets.

How to eval

pip install lmms-eval==0.2.0

CUDA_VISIBLE_DEVICES=0,1,2,3,4,5,6,7 \
python -m accelerate.commands.launch \
  --main_process_port=12581 \
  --num_processes=8 \
  -m lmms_eval \
  --model llava \
  --model_args pretrained=DeepGlint-AI/llava-mlcd-qwen2.5-7b,conv_template=qwen_1_5 \
  --tasks mmbench,mme,mmmu,ocrbench,scienceqa,scienceqa_img,seedbench,gqa,pope,textvqa_val,ai2d,chartqa,docvqa_val,infovqa_val,mmstar \
  --batch_size 1 \
  --log_samples \
  --log_samples_suffix mlcd_llava_qwen2_7b \
  --output_path ./log

Performance and Limitations

In our experiments, we replaced the CLIP model in LLaVA-NeXT with the MLCD model to demonstrate the performance of the MLCD model in Multimodal Large Language Models (MLLMs). For the language model, we used Qwen2.5-7B. The evaluation results show that the modified model performs exceptionally well across multiple benchmarks, validating the effectiveness of the MLCD model within MLLMs.

Vision TowerMLCD (ViT_L_14_336px)CLIP (ViT_L_14_336px)
LLMQwen2.5-7BQwen2.5-7B
AI2D76.9873.15
ScienceQA_img78.0976.35
GQA64.1763.31
InfoVQA_val43.4838.88
MMBench_cn_dev74.8372.51
MMBench_en_dev76.3774.57
MME(cognition)432384
MME(perception)15981512
SeedBench68.2066.80
SeedBench_img73.7572.72
MMStar50.9848.98
MMMU44.3044.20
OCRBench531.00525.00
ChartQA67.8466.52
DocVQA_val76.4675.21
POPE88.6988.83
TextVQA_val61.6962.47

C. Limitations

Models with larger datasets will perform better on more tasks. We are currently training such models and will soon make them available.

Acknowledgments

We would like to express our gratitude to Yumeng Wang 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
1c2ebb5

0 моделей