/ Модель

Характеристики

Контекст
40 960 токенов
Параметры
7,2 млрд
Размер весов
104 ГБ
Лицензия
MIT
Архитектура
llava_jamba · MoE
Библиотека
transformers
Опубликована
4 сен 2024

LongLLaVA-53B-A13B

Генерация текстаТекст → текст6 профессий

Мультимодальная модель FreedomIntelligence для генерации текста и ответов по изображениям на архитектуре llava_jamba.

131скачиваний за 30 дней20лайковвеса обновлены28 ноя 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

LongLLaVA-53B-A13B — мультимодальная модель семейства LongLLaVA, разработанная FreedomIntelligence. Она предназначена для диалога и генерации текста по текстовым запросам и изображениям; архитектура относится к llava_jamba и использует смесь экспертов. В метаданных указано 7,2 млрд параметров, формат весов — safetensors, основная задача автора — image-text-to-text.

Модель подходит для вопросов об изображениях и генерации ответов с учётом визуального содержимого. В README упомянуты результаты оценки, включая Video-NIAH, но описание не подтверждает поддержку видео как входной модальности. Модель распространяется по лицензии MIT. В доступной карточке нет сведений о поддерживаемых естественных языках и длине контекста; числовые характеристики названия модели не совпадают с общим числом параметров из метаданных, поэтому в описании приведено значение метаданных.

Сценарии применения

  • ответы на вопросы о содержимом изображения
  • описание изображений по текстовому запросу
  • диалог с учётом визуального содержимого

Ограничения

README не сообщает поддерживаемые языки и длину контекста. В метаданных заявлено 7,2 млрд параметров, что не совпадает с размерностью, подразумеваемой названием модели.

Для каких профессий подходит6

Разделы каталога профессий, в задачах которых используется эта модель

Все профессии

Также подходит для

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

header

efficiency

🌈 Update

Architecture

Architecture Image

Results

  • Main Results Main Results
  • Diagnostic Results Diagnostic Results
  • Video-NIAH Video-NIAH

Results reproduction

Evaluation

  • Preparation

Get the model inference code from Github.

git clone https://github.com/FreedomIntelligence/LongLLaVA.git
  • Environment Setup
pip install -r requirements.txt
  • Command Line Interface
python cli.py --model_dir path-to-longllava
  • Model Inference
query = 'What does the picture show?'
image_paths = ['image_path1'] # image or video path

from cli import Chatbot
bot = Chatbot(path-to-longllava)
output = bot.chat(query, image_paths)
print(output) # Prints the output of the model

Acknowledgement

  • LLaVA: Visual Instruction Tuning (LLaVA) built towards GPT-4V level capabilities and beyond.

Citation

@misc{wang2024longllavascalingmultimodalllms,
      title={LongLLaVA: Scaling Multi-modal LLMs to 1000 Images Efficiently via Hybrid Architecture}, 
      author={Xidong Wang and Dingjie Song and Shunian Chen and Chen Zhang and Benyou Wang},
      year={2024},
      eprint={2409.02889},
      archivePrefix={arXiv},
      primaryClass={cs.CL},
      url={https://arxiv.org/abs/2409.02889}, 
}

Как запустить

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

GPU в ailist

vLLM

Нельзя запустить

Модели нужен код из репозитория; автор пока не в списке доверенных организаций.

Класс архитектуры
LlavaJambaForCausalLM
Ревизия весов
4892f12

0 моделей