/ Модель

Характеристики

Контекст
77 токенов
Параметры
403 млн
Лицензия
Apache 2.0
Архитектура
clip_vision_model · dense
Опубликована
11 окт 2024

mlcd-vit-large-patch14-336

ЭмбеддингиТекст → embedding3 профессии

Визуальный энкодер MLCD на базе ViT-L/14 с разрешением 336 пикселей извлекает признаки изображений для мультимодальных моделей и задач классификации.

60скачиваний за 30 дней10лайковвеса обновлены13 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 «Эмбеддинги» — 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 — визуальная модель DeepGlint-AI для извлечения признаков изображений. Она использует архитектуру Vision Transformer ViT-L/14 с разрешением 336 пикселей, аналогичную CLIP, и содержит около 402,7 млн параметров. Модель обучена на общедоступных парах изображение–описание из наборов LAION400M и COYO700M.

Модель предназначена для получения визуальных представлений, которые можно использовать в мультимодальных системах и задачах классификации изображений. В README приведены эксперименты с заменой визуального энкодера CLIP в LLaVA-NeXT с языковой моделью Qwen2.5-7B, а также оценки линейного пробирования на наборах данных, включая Food101 и CIFAR-10.

Репозиторий предоставляет веса в формате safetensors. Лицензия — Apache-2.0. В README отмечено, что более высокое разрешение благоприятно для OCR; данная модель имеет разрешение 336 пикселей, а модели с большим разрешением на момент публикации ещё обучались.

Сценарии применения

  • Извлечение визуальных признаков для мультимодальной языковой модели
  • Подготовка представлений изображений для линейной классификации
  • Классификация изображений после обучения линейного классификатора поверх энкодера
  • Замена визуального энкодера CLIP в системе на базе LLaVA-NeXT

Ограничения

Для распознавания текста в изображениях README указывает на преимущество моделей с более высоким разрешением; эта модель работает с разрешением 336 пикселей.

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 the same Vision Transformer architecture ViT-L/14@336px as CLIP.

image/png

Data

Our model was trained on publicly available image-caption data from the LAION400M and COYO700M datasets.

Performance and Limitations

A. MLLMs Evaluation Results

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

B. Linear Probe Evaluation Results

This table presents the results of linear probe evaluations comparing CLIP and MLCD models on the ViT_L_14_336px architecture across various datasets. The linear probe test freezes the pre-trained model's weights and trains a linear classifier on top to assess how well the model's representations generalize to different tasks.

DatasetMLCD (ViT_L_14_336px)CLIP (ViT_L_14_336px)
AVG87.1585.35
Food10196.2195.90
CIFAR-1099.3697.90
CIFAR-10093.6987.40
Birdsnap88.1879.90
SUN39787.9682.20
Stanford Cars95.1691.50
FGVC Aircraft86.3871.60
Describable Textures Dataset86.7083.00
Oxford-IIIT Pets96.2795.10
Caltech-10197.9296.00
Flowers10299.5899.20
MNIST98.6799.20
STL-1099.2899.70
EuroSAT99.0698.10
RESISC4595.4894.90
GTSRB92.3292.40
KITTI75.3969.20
Country21138.1246.40
PatchCamelyon88.0085.60
UCF10192.8692.00
Kinetics-70073.3573.00
CLEVR64.4060.30
Hateful Memes72.0077.30
SST-276.3380.50
ImageNet86.3085.40

C. Limitations

Models with higher resolution are more friendly to OCR results. We are currently training such models and will soon make them available.

Acknowledgments

We would like to express our gratitude to Xie Yin and Yumeng Wang for their 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
CLIPVisionModel
Ревизия весов
bd75627

0 моделей