/ Модель

Характеристики

Лицензия
CC BY-NC 4.0
Архитектура
llava_llama · dense
Библиотека
transformers
Опубликована
27 апр 2024

VILA1.5-3b

Генерация текстаТекст → текст3 профессии

VILA1.5-3B — визуально-языковая модель семейства VILA, разработанная исследовательской командой NVIDIA под руководством Ji Lin, Hongxu Yin, Wei Ping и других авторов.

19 071скачиваний за 30 дней36лайковвеса обновлены18 июл 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 «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

Модель построена на архитектуре Transformer с компонентами SigLIP и ShearedLLaMA и предназначена для исследований мультимодальных моделей и чат-ботов.

Модель принимает изображения, видео и текст, а на выходе генерирует текст. Она поддерживает работу с несколькими изображениями, мультимодальное рассуждение, обучение в контексте, visual chain-of-thought и использование фоновых знаний. Для обучения применялись 53 миллиона пар «изображение—текст» и интерливинговых мультимодальных данных; оценивание проводилось на 12 бенчмарках, включая задачи визуальных вопросов и инструкционного следования.

Версия VILA1.5-3B относится к компактным моделям семейства, однако точные сведения о числе параметров, длине контекста и поддерживаемых языках в README не указаны. Модель ориентирована на Linux и может запускаться на GPU архитектур Ampere, Hopper и Lovelace, а также на Jetson; для периферийных устройств предусмотрено 4-битное AWQ-квантизование через TinyChat. Указанные средства инференса включают PyTorch, TensorRT-LLM и TinyChat. Основные ограничения — исследовательское назначение и отсутствие в README подробных данных о точности по отдельным задачам, языковом покрытии и безопасной эксплуатации.

Код выпущен под Apache 2.0, а предварительно обученные веса указаны как распространяемые по лицензии CC-BY-NC-SA-4.0; также применяются условия лицензий LLaMA, OpenAI для сгенерированных данных и отдельных наборов данных. Использование заявлено для некоммерческих исследовательских целей.

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: VILA1.5-40b was trained in May 2024.

Paper or resources for more information: https://github.com/NVLabs/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/NVLabs/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.

Model Architecture:

Architecture Type: Transformer Network Architecture: siglip, shearedllama

Input:

Input Type: Image, Video, Text Input Format: Red, Green, Blue; MP4 ;String Input Parameters: 2D, 3D

Output:

Output Type: Text Output Format: String

Supported Hardware Microarchitecture Compatibility:

  • Ampere
  • Jetson
  • Hopper
  • Lovelace

[Preferred/Supported] Operating System(s): Linux

Model Version(s):

  • VILA1.5-3B
  • VILA1.5-3B-s2
  • Llama-3-VILA1.5-8B
  • VILA1.5-13B
  • VILA1.5-40B
  • VILA1.5-3B-AWQ
  • VILA1.5-3B-s2-AWQ
  • Llama-3-VILA1.5-8B-AWQ
  • VILA1.5-13B-AWQ
  • VILA1.5-40B-AWQ

Training dataset

See Dataset Preparation for more details.

** Data Collection Method by dataset

  • [Hybrid: Automated, Human]

** Labeling Method by dataset

  • [Hybrid: Automated, Human]

Properties (Quantity, Dataset Descriptions, Sensor(s)): 53 million image-text pairs or interleaved image text content.

Evaluation dataset

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

Inference:

Engine: [Tensor(RT), Triton, Or List Other Here]

  • PyTorch
  • TensorRT-LLM
  • TinyChat

Test Hardware:

  • A100
  • Jetson Orin
  • RTX 4090

Ethical Considerations

NVIDIA believes Trustworthy AI is a shared responsibility and we have established policies and practices to enable development for a wide array of AI applications. When downloaded or used in accordance with our terms of service, developers should work with their internal model team to ensure this model meets requirements for the relevant industry and use case and addresses unforeseen product misuse.

Как запустить

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

GPU в ailist

Универсальный рантайм · transformers

Можно запустить

Подбираем GPU…

Класс архитектуры
LlavaLlamaModel
Ревизия весов
42d1dda

0 моделей