/ Модель

Характеристики

Лицензия
Своя лицензия
Библиотека
ml-4m
Опубликована
12 июн 2024

4M-21_B

Мультимодальная модель3 профессии

Мультимодальная модель семейства 4M для решения задач компьютерного зрения и преобразования между разными модальностями.

825скачиваний за 30 дней10лайковвеса обновлены7 окт 2024

Бенчмарки

Как модель справилась с задачами пользователей ailist и что о ней публикуют открытые лидерборды

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

EPFL-VILAB/4M-21_B — предобученная мультимодальная модель из семейства 4M, разработанного исследователями EPFL-VILAB. Она использует подход Massively Multimodal Masked Modeling и предназначена для задач компьютерного зрения и работы с разными модальностями в единой модели. Модели 4M поддерживают преобразование между входными и выходными представлениями разных типов, а 4M-21 разработана как модель зрения для десятков задач и модальностей.

Модель подходит для мультимодальной генерации и переноса на задачи и модальности, не встречавшиеся при обучении. В репозитории веса в формате safetensors; для загрузки README указывает библиотеку fourm. Лицензия обозначена как other, поэтому конкретные условия использования следует сверить с файлами лицензии репозитория. Карточка описывает семейство и возможности 4M, но не сообщает размер именно варианта 4M-21_B, список поддерживаемых модальностей и отдельные ограничения качества.

Сценарии применения

  • выполнение задач компьютерного зрения
  • генерация выходных данных по мультимодальному входу
  • преобразование между модальностями
  • перенос модели на новые задачи зрения
  • создание управляемых мультимодальных генеративных систем

Ограничения

README не перечисляет модальности и задачи, доступные именно варианту 4M-21_B, и не приводит количественных оценок качества. Условия лицензии указаны как other; перед использованием следует проверить лицензионные файлы репозитория.

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

4M: Massively Multimodal Masked Modeling

A framework for training any-to-any multimodal foundation models. Scalable. Open-sourced. Across tens of modalities and tasks.

Website | GitHub | BibTeX

Official implementation and pre-trained models for :

4M: Massively Multimodal Masked Modeling, NeurIPS 2023 (Spotlight) David Mizrahi*, Roman Bachmann*, Oğuzhan Fatih Kar, Teresa Yeo, Mingfei Gao, Afshin Dehghan, Amir Zamir

4M-21: An Any-to-Any Vision Model for Tens of Tasks and Modalities, arXiv 2024 Roman Bachmann*, Oğuzhan Fatih Kar*, David Mizrahi*, Ali Garjani, Mingfei Gao, David Griffiths, Jiaming Hu, Afshin Dehghan, Amir Zamir

4M is a framework for training "any-to-any" foundation models, using tokenization and masking to scale to many diverse modalities. Models trained using 4M can perform a wide range of vision tasks, transfer well to unseen tasks and modalities, and are flexible and steerable multimodal generative models. We are releasing code and models for "4M: Massively Multimodal Masked Modeling" (here denoted 4M-7), as well as "4M-21: An Any-to-Any Vision Model for Tens of Tasks and Modalities" (here denoted 4M-21).

Installation

For install instructions, please see https://github.com/apple/ml-4m.

Usage

This model can be loaded from Hugging Face Hub as follows:

from fourm.models.fm import FM
fm = FM.from_pretrained('EPFL-VILAB/4M-21_B')

Please see README_GENERATION.md for more detailed instructions and https://github.com/apple/ml-4m for other 4M model and tokenizer checkpoints.

Citation

If you find this repository helpful, please consider citing our work:

@inproceedings{4m,
    title={{4M}: Massively Multimodal Masked Modeling},
    author={David Mizrahi and Roman Bachmann and O{\u{g}}uzhan Fatih Kar and Teresa Yeo and Mingfei Gao and Afshin Dehghan and Amir Zamir},
    booktitle={Thirty-seventh Conference on Neural Information Processing Systems},
    year={2023},
}

@article{4m21,
    title={{4M-21}: An Any-to-Any Vision Model for Tens of Tasks and Modalities},
    author={Roman Bachmann and O{\u{g}}uzhan Fatih Kar and David Mizrahi and Ali Garjani and Mingfei Gao and David Griffiths and Jiaming Hu and Afshin Dehghan and Amir Zamir},
    journal={arXiv 2024},
    year={2024},
}

License

The model weights in this repository are released under the Sample Code license as found in the LICENSE file.

Как запустить

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

GPU в ailist

Универсальный рантайм · ml-4m

Нельзя запустить

Any-to-any модели пока не поддерживаются.

Ревизия весов
3bf4b1c

0 моделей