/ Модель

Характеристики

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

MMaDA-8B-MixCoT

Генерация текстаТекст → текст5 профессий

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

3 197скачиваний за 30 дней32лайкавеса обновлены15 авг 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-MixCoT — мультимодальная диффузионная модель семейства LLaDA, представленная разработчиками Gen-Verse. Она использует единую архитектуру для рассуждений по тексту, понимания мультимодальных данных и генерации изображений по текстовому описанию. Модель дообучена на смешанном формате длинных цепочек рассуждений и прошла постобучение с алгоритмом UniGRPO на основе градиента политики.

По сравнению с MMaDA-8B-Base, версия MixCoT демонстрирует более точное следование инструкциям и более стабильную генерацию цепочек рассуждений. Репозиторий содержит веса в формате safetensors и использует библиотеку Transformers. Лицензия — MIT. Карточка не приводит размер модели и длину контекста.

Сценарии применения

  • выполнение инструкций с развёрнутыми рассуждениями
  • ответы на вопросы по мультимодальным данным
  • генерация изображений по текстовому описанию
  • мультимодальные задачи в единой модели

Ограничения

В карточке не приведены результаты бенчмарков, сведения о поддерживаемых языках и длине контекста; заявленные преимущества описаны сравнительно с MMaDA-8B-Base без численных оценок.

Для каких профессий подходит5

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

MMaDA-8B-MixCoT

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.

Compared to MMaDA-8B-Base, MMaDA-8B-MixCoT exhibits better instruction-following capabilities and more stable CoT generation performance.

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
3ee0085

0 моделей