/ Модель

Характеристики

Лицензия
Apache 2.0
Архитектура
qwen2_vl · dense
Библиотека
transformers
Опубликована
10 дек 2024

qwen2vit600m

ЭмбеддингиТекст → embedding3 профессии

Извлекающий визуальные признаки энкодер Qwen2-VL для обучения мультимодальных моделей на изображениях разных размеров и пропорций.

170скачиваний за 30 дней0лайковвеса обновлены12 мар 2025

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 «Эмбеддинги» — 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

Qwen2ViT-600M — визуальный энкодер, извлечённый из серии Qwen2-VL и используемый командой EMOVA для обучения мультимодальных моделей. Это плотная vision transformer модель с примерно 600 млн параметров; она предварительно обучена на изображениях с динамическим разрешением и поддерживает разные размеры и соотношения сторон без фиксированного входного размера. В каталоге указана задача feature-extraction, а веса доступны в формате safetensors для библиотеки Transformers.

Модель предназначена для извлечения визуальных признаков и использования в качестве vision tower при обучении мультимодальных систем, включая EMOVA. Для применения энкодера в таком конвейере требуется соответствующая обёртка Qwen2VisionTower и конфигурация модели. Лицензия — Apache-2.0. Карточка не сообщает ограничений по качеству или перечня поддерживаемых языков.

Сценарии применения

  • извлечение визуальных признаков из изображений
  • подключение vision tower при обучении мультимодальных моделей
  • обработка изображений с разными размерами и соотношениями сторон

Ограничения

Для использования в конвейере EMOVA требуется соответствующая обёртка Qwen2VisionTower и конфигурация. Языковая поддержка не описана; энкодер предназначен для визуальных признаков, поэтому языки не указаны.

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

Qwen2ViT-600M

Introduction

This repo contains the Qwen2ViT-600M model utilized to train the EMOVA series of models. Different from traditional Vision Transformers requiring pre-defined input sizes, Qwen2ViT-600M is pre-trained with dynamic input resolutions, adapting to various image sizes and aspect ratios. This Qwen2ViT-600M checkpoint is extracted from the Qwen2-VL series of models.

Usage

To train EMOVA with Qwen2ViT-600M, we need to create a new model config, and set the mm_vision_tower parameters as follows. An example is provided here. Check more details on training EMOVA in our github repo.

mm_vision_tower=dict(
  type='Qwen2VisionTower',                                   -- Wrapper class type for EMOVA Vision Encoder
  pretrained_model_name_or_path="Emova-ollm/qwen2vit600m/",  -- HuggingFace repo of pre-trained ViT
  trainable=True                                             -- True means training ViT, False means freezing ViT
),

Citation

@article{chen2024emova,
  title={Emova: Empowering language models to see, hear and speak with vivid emotions},
  author={Chen, Kai and Gou, Yunhao and Huang, Runhui and Liu, Zhili and Tan, Daxin and Xu, Jing and Wang, Chunwei and Zhu, Yi and Zeng, Yihan and Yang, Kuo and others},
  journal={arXiv preprint arXiv:2409.18042},
  year={2024}
}

@article{Qwen2-VL,
  title={Qwen2-VL: Enhancing Vision-Language Model's Perception of the World at Any Resolution},
  author={Wang, Peng and Bai, Shuai and Tan, Sinan and Wang, Shijie and Fan, Zhihao and Bai, Jinze and Chen, Keqin and Liu, Xuejing and Wang, Jialin and Ge, Wenbin and Fan, Yang and Dang, Kai and Du, Mengfei and Ren, Xuancheng and Men, Rui and Liu, Dayiheng and Zhou, Chang and Zhou, Jingren and Lin, Junyang},
  journal={arXiv preprint arXiv:2409.12191},
  year={2024}
}

Как запустить

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

GPU в ailist

Универсальный рантайм · transformers

Можно запустить

Подбираем GPU…

Класс архитектуры
Qwen2VisionTransformerPretrainedModel
Ревизия весов
e1cf9d4

0 моделей