/ Модель

Характеристики

Контекст
4 096 токенов
Параметры
6,5 млрд
Размер весов
13,1 ГБ
Лицензия
Apache 2.0
Архитектура
llama · dense
Опубликована
13 июн 2024

LVM_ckpts

Генерация текстаТекст → текст3 профессии

LVM — авторегрессионная модель визуального предобучения, которая представляет изображения последовательностями токенов и предсказывает их продолжение.

182скачиваний за 30 дней6лайковвеса обновлены14 июн 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

LVM — модель предварительного обучения для работы с визуальными данными, реализующая подход из статьи CVPR 2024 «Sequential Modeling Enables Scalable Learning for Large Vision Models». Она преобразует изображения и другие виды визуальных данных в последовательности визуальных токенов и обучается предсказывать следующий токен авторегрессионно. Модель основана на OpenLLaMA, а OpenMuse на базе VQGAN преобразует изображения в визуальные токены.

В карточке репозитория указаны архитектура LlamaForCausalLM, 6,5 млрд параметров, контекст 4096 токенов и формат safetensors; поддерживается запуск на GPU и TPU. Модель предназначена для визуального предобучения и экспериментов с последовательным моделированием изображений. README отмечает улучшенную версию токенизатора и фильтрацию обучающего набора LAION. Лицензия — Apache 2.0.

Сценарии применения

  • эксперименты с авторегрессионным моделированием изображений
  • предобучение моделей на визуальных данных
  • изучение представления изображений как последовательностей визуальных токенов

Ограничения

Репозиторий предоставляет модель визуального предобучения, а не готовую систему для прикладного распознавания или генерации изображений; описанный вариант имеет 6,5 млрд параметров и контекст 4096 токенов.

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

LVM

This is the model implementation of the CVPR 2024 'Sequential Modeling Enables Scalable Learning for Large Vision Models'. (https://arxiv.org/abs/2312.00785)

LVM is a vision pretraining model that converts various kinds of visual data into visual sentences and performs next-token prediction autoregressively. It is compatible with both GPU and TPU.

You can try out the demo here.

LVM is built on top of OpenLLaMA (an autoregressive model) and OpenMuse (a VQGAN that converts images into visual tokens).

This was trained in collaboration with HuggingFace. Thanks Victor Sanh for the support in this project.

Key Differences from the Original Paper Version

  1. We are currently releasing the 7B model (previously 3B). Additional model size variants will be available soon.

  2. Deep filtering (including quality filters, deduplication, and known CSAM content removal) has been applied to the LAION dataset, reducing the dataset size from 1.5B to 1.2B images.

  3. The tokenizer has been improved for better performance.

License

LVM is licensed under the Apache 2.0 License.

Citation

If you found LVM useful in your research or applications, please cite our work using the following BibTeX:

@article{bai2023sequential,
  title={Sequential modeling enables scalable learning for large vision models},
  author={Bai, Yutong and Geng, Xinyang and Mangalam, Karttikeya and Bar, Amir and Yuille, Alan and Darrell, Trevor and Malik, Jitendra and Efros, Alexei A},
  journal={arXiv preprint arXiv:2312.00785},
  year={2023}
}

Как запустить

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

GPU в ailist

Универсальный рантайм

Можно запустить

Подбираем GPU…

Класс архитектуры
LlamaForCausalLM
Ревизия весов
aa5a903

0 моделей