/ Модель

Характеристики

Размер весов
16,2 ГБ
Лицензия
MIT
Архитектура
llada · dense
Библиотека
transformers
Опубликована
19 мая 2025

MMaDA-8B-Base

Генерация текстаТекст → текст3 профессии

MMaDA-8B-Base — мультимодальная диффузионная модель LLaDA для текстовых рассуждений, понимания мультимодальных данных и генерации изображений по тексту.

705скачиваний за 30 дней91лайквеса обновлены24 мая 2025

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

MMaDA-8B-Base — мультимодальная диффузионная модель семейства LLaDA, представленная разработчиками Gen-Verse. В карточке описана унифицированная архитектура для текстовых рассуждений, мультимодального понимания и генерации изображений по тексту; указаны смешанное дообучение с длинными цепочками рассуждений и алгоритм UniGRPO для постобучения. Репозиторий содержит веса Safetensors и использует библиотеку Transformers.

Модель предназначена для задач, сочетающих текст и изображения, включая понимание мультимодального содержимого и генерацию изображений по описанию. Размер 8B отражён в названии модели. В карточке не приведены сведения о поддерживаемых языках, длине контекста и точном составе входных и выходных модальностей. Лицензия — MIT.

Сценарии применения

  • ответы на вопросы по изображениям
  • описание и интерпретация визуального содержимого
  • генерация изображений по текстовому описанию
  • текстовые рассуждения с длинными цепочками вывода

Ограничения

README не уточняет поддерживаемые языки, длину контекста и точный перечень модальностей ввода и вывода; заявленные возможности описаны на общем уровне.

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

MMaDA-8B-Base

We introduce MMaDA, a novel class of multimodal diffusion foundation models designed to achieve superior performance across diverse domains such as textual reasoning, multimodal understanding, and text-to-image generation. MMaDA is distinguished by three key innovations:

  1. MMaDA adopts a unified diffusion architecture with a shared probabilistic formulation and a modality-agnostic design, eliminating the need for modality-specific components.
  2. MMaDA introduces a mixed long chain-of-thought (CoT) fine-tuning strategy that curates a unified CoT format across modalities.
  3. MMaDA adopts a unified policy-gradient-based RL algorithm, which we call UniGRPO, tailored for diffusion foundation models. Utilizing diversified reward modeling, UniGRPO unifies post-training across both reasoning and generation tasks, ensuring consistent performance improvements.

Paper | Code | Demo

Citation

@article{yang2025mmada,
  title={MMaDA: Multimodal Large Diffusion Language Models},
  author={Yang, Ling and Tian, Ye and Li, Bowen and Zhang, Xinchen and Shen, Ke and Tong, Yunhai and Wang, Mengdi},
  journal={arXiv preprint arXiv:2505.15809},
  year={2025}
}

Как запустить

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

GPU в ailist

Универсальный рантайм · transformers

Нельзя запустить

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

Класс архитектуры
LLaDAModelLM
Ревизия весов
065b306

0 моделей