/ Модель

Характеристики

Контекст
4 096 токенов
Параметры
6,6 млрд
Размер весов
14,1 ГБ
Лицензия
CC BY-NC 4.0
Архитектура
llava_llama · dense
Библиотека
transformers
Опубликована
19 фев 2024

VILA-7b

Генерация текстаТекст → текст3 профессии

VILA-7b — визуально-языковая модель для диалога и рассуждений по изображениям, включая сценарии с несколькими изображениями.

102скачиваний за 30 дней27лайковвеса 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-7b — визуально-языковая модель семейства VILA, разработанная командой авторов исследования VILA. Модель обучена на чередующихся данных изображений и текста и предназначена для мультимодального диалога и исследований крупных мультимодальных моделей.

Модель принимает изображения и текст, поддерживает рассуждения по нескольким изображениям, обучение в контексте и визуальную цепочку рассуждений. В README также отмечены знания об окружающем мире и сохранение возможностей работы только с текстом. Версия VILA-7b обучена в феврале 2024 года; архитектура — LlavaLlamaForCausalLM, размер — 6,6 млрд параметров, контекст — 4096 токенов. Репозиторий содержит веса Safetensors.

Модель подходит для визуальных вопросов и ответов, описания изображений и мультимодального чат-бота. README описывает развёртывание на периферийных устройствах, включая Jetson Orin и ноутбуки, с 4-битной AWQ-квантизацией через TinyChat. Лицензия CC BY-NC 4.0 разрешает использование с указанием авторства, но некоммерческое. README ориентирует модель прежде всего на исследования; качество зависит от задачи и данных.

Сценарии применения

  • ответы на вопросы по изображению
  • сравнение нескольких изображений в одном запросе
  • описание содержимого изображения
  • мультимодальный диалог с изображениями
  • исследование визуальной цепочки рассуждений

Ограничения

Лицензия CC BY-NC 4.0 ограничивает коммерческое использование. Для запуска на периферийных устройствах README описывает применение 4-битной AWQ-квантизации через TinyChat.

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-7b 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
e87d80e

0 моделей