/ Модель

Характеристики

Контекст
4 096 токенов
Параметры
12,9 млрд
Размер весов
26,7 ГБ
Лицензия
CC BY-NC 4.0
Архитектура
llava_llama · dense
Библиотека
transformers
Опубликована
19 фев 2024

VILA-13b

Генерация текстаТекст → текст3 профессии

VILA-13B — визуально-языковая модель для ответов на вопросы и рассуждений по одному или нескольким изображениям вместе с текстом.

89скачиваний за 30 дней20лайковвеса обновлены4 мар 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

VILA-13B — визуально-языковая модель (VLM), разработанная командой Efficient Large Model. Она сочетает обработку изображений с языковой моделью и обучалась на последовательностях с чередованием изображений и текста, что поддерживает работу с несколькими изображениями и обучение в контексте. Модель предназначена для исследований мультимодальных языковых моделей и чат-ботов, а также для задач визуальных вопросов и рассуждений по изображениям.

Модель имеет плотную архитектуру LlavaLlamaForCausalLM, содержит 12,9 млрд параметров, принимает текст и изображения и генерирует текст. Указанное в карточке нативное окно контекста — 4096 токенов. Среди описанных возможностей — рассуждение по нескольким изображениям, визуальная цепочка рассуждений и использование знаний о мире. Для запуска на устройствах с ограниченными ресурсами авторы описывают квантизацию AWQ до 4 бит через TinyChat. Лицензия CC BY-NC 4.0 разрешает некоммерческое использование с соблюдением условий лицензии.

Сценарии применения

  • ответы на вопросы по изображению
  • сравнение и анализ нескольких изображений
  • визуальные рассуждения с пошаговым объяснением
  • чат-бот с вводом изображений и текста
  • исследования мультимодальных языковых моделей

Ограничения

Лицензия CC BY-NC 4.0 ограничивает коммерческое использование. В README не приведены количественные результаты оценивания модели.

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

VILA Model Card

Model details

Model type: VILA is a visual language model (VLM) pretrained with interleaved image-text data at scale, enabling multi-image VLM. VILA is deployable on the edge, including Jetson Orin and laptop by AWQ 4bit quantization through TinyChat framework. We find: (1) image-text pairs are not enough, interleaved image-text is essential; (2) unfreezing LLM during interleaved image-text pre-training enables in-context learning; (3)re-blending text-only instruction data is crucial to boost both VLM and text-only performance. VILA unveils appealing capabilities, including: multi-image reasoning, in-context learning, visual chain-of-thought, and better world knowledge.

Model date: VILA-13b was trained in Feb 2024.

Paper or resources for more information: https://github.com/Efficient-Large-Model/VILA

@misc{lin2023vila,
      title={VILA: On Pre-training for Visual Language Models},
      author={Ji Lin and Hongxu Yin and Wei Ping and Yao Lu and Pavlo Molchanov and Andrew Tao and Huizi Mao and Jan Kautz and Mohammad Shoeybi and Song Han},
      year={2023},
      eprint={2312.07533},
      archivePrefix={arXiv},
      primaryClass={cs.CV}
}

License

  • The code is released under the Apache 2.0 license as found in the LICENSE file.
  • The pretrained weights are released under the CC-BY-NC-SA-4.0 license.
  • The service is a research preview intended for non-commercial use only, and is subject to the following licenses and terms:

Where to send questions or comments about the model: https://github.com/Efficient-Large-Model/VILA/issues

Intended use

Primary intended uses: The primary use of VILA is research on large multimodal models and chatbots.

Primary intended users: The primary intended users of the model are researchers and hobbyists in computer vision, natural language processing, machine learning, and artificial intelligence.

Training dataset

See Dataset Preparation for more details.

Evaluation dataset

A collection of 12 benchmarks, including 5 academic VQA benchmarks and 7 recent benchmarks specifically proposed for instruction-following LMMs.

Как запустить

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

GPU в ailist

Универсальный рантайм · transformers

Нельзя запустить

Архитектура llava_llama неизвестна transformers в образе рантайма.

Класс архитектуры
LlavaLlamaForCausalLM
Ревизия весов
c100934

0 моделей