/ Модель

Характеристики

Контекст
2 048 токенов
Параметры
178 млн
Лицензия
Своя лицензия
Архитектура
llama · dense
Библиотека
transformers
Опубликована
30 сен 2024

TIPO-200M-ft

Генерация текстаТекст → текст3 профессии

Небольшая дообученная модель LLaMA, которая расширяет и оптимизирует текстовые промпты для генерации изображений.

1 313скачиваний за 30 дней20лайковвеса обновлены29 ноя 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

TIPO-200M-ft — дообученная языковая модель семейства LLaMA от KBlueLeaf, предназначенная для подготовки и оптимизации текстовых запросов к генераторам изображений. Она дополняет или уточняет короткие и неполные промпты, чтобы помочь получить более подходящее описание для генерации изображения. Модель содержит 177,9 млн параметров, принимает текст и генерирует текст; карточка указывает контекст до 2048 токенов, а README описывает архитектуру LLaMA и обучение на данных Danbooru2023 и Coyo-HD-11M.

Модель рассчитана на использование в конвейере text-to-image через расширение z-tipo-extension, совместимое со Stable Diffusion WebUI, Forge и ComfyUI. В README приведены результаты оценки базовой TIPO-200M, но не отдельные результаты TIPO-200M-ft. Репозиторий содержит веса safetensors и вариант GGUF F16. Лицензия указана как other, поэтому условия использования следует уточнять по карточке модели.

Сценарии применения

  • дополнение короткого промпта для генератора изображений
  • уточнение описания сцены перед генерацией изображения
  • подготовка промптов для Stable Diffusion
  • автоматическая доработка тегов и описаний изображений

Ограничения

Модель генерирует текстовые промпты, а не изображения; для использования в рекомендованных интерфейсах требуется расширение z-tipo-extension. README приводит оценки TIPO-200M, но не отдельную оценку версии TIPO-200M-ft.

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

TIPO: Text to Image with text presampling for Prompt Optimization

200M LLaMA arch model trained for TIPO. Tech Report: https://arxiv.org/abs/2411.08127

image/png

Introduction

In this project, we introduce "TIPO" (Text to Image with text presampling for Prompt Optimization), an innovative framework designed to significantly enhance the quality and usability of Text-to-Image (T2I) generative models. TIPO utilizes the Large Language Models (LLMs) to perform "Text Presampling" within the inference pipeline of text-to-image generative modeling. By refining and extending user input prompts, TIPO enables generative models to produce superior results with minimal user effort, making T2I systems more accessible and effective for a wider range of users.

Usage

Use updated version of DTG extension (renamed to z-tipo-extension), current version of z-tipo-extension support stable-diffusion-webui, stable-diffusion-webui-forge and ComfyUI. SD-Next haven't been tested. https://github.com/KohakuBlueleaf/z-tipo-extension

Model arch and Training

This model is LLaMA arch with 200M parameters, the training data is combined version of Danbooru2023, Coyo-HD-11M. The total token seen is around 50B tokens. For more information please refer to the tech report and following table.

TIPO-200MTIPO-200M-ftTIPO-500M
ArchLLaMALLaMALLaMA
Max ctx length102410241024
Batch Size204820483584
Training datasetDanbooru, GBC10M, 5epochDanbooru, GBC10M, Coyo11M, 3epochDanbooru(pixtral), Coyo11M, 2epochDanbooru, GBC10M, Coyo11M, 5epoch
Real Token Seen*40B token50B (10B more from TIPO-200M)30B token
Training HardwareRTX 3090 x 4RTX 3090 x 4H100 x 8
Training Time420 hour`120 hour`100 hour`
HuggingfaceKBlueLeaf/TIPO-200M · Hugging FaceYou Are HEREKBlueLeaf/TIPO-500M · Hugging Face

*: We only count "non-padding token" in the token seen, since all the training data have very large length range. `: Since the training data is pretty short, it cost more time to reach same token seen than general LLM pretraining. As reference, with 4096 as max ctx length and almost all the data have reach that length, you may only need 2days to reach 10B token seen on RTX 3090 x 4 with 200M model.

Evaluation

Evaluation are done on TIPO-200M model We have tested TIPO compared to other Model in several test and metrics:

Scenery tag test

In this test we use single "scenery" tag as input. (With some certain meta) To test each prompt gen method to see if they can obtain the desired distribution of outputs while maintain the quality of images.

Scenery Tag TestOriginalGPT4o-miniPrompt DBPromptisTIPO(ours)
FDD ↓0.35580.54140.32470.23500.2282
Aesthetic ↑5.05696.36766.16095.94686.2571
AI Corrupt ↑0.42570.74900.50240.56690.9195

Short/Truncated Long test

In this test we use short caption or manually truncated caption from GBC10M and CoyoHD11M. This test examine the ability of prompt gen method on handling almostly completed prompts.

ShortOriginalGPT4o-miniPrompt DBPromptisTIPO(ours)
FDD ↓0.09570.16680.09800.17830.1168
Aesthetic ↑5.83706.05895.82135.79635.8531
AI Corrupt ↑0.71130.69850.70640.63140.7131
Truncated LongOriginalGPT4o-miniPrompt DBPromptisTIPO(ours)
FDD ↓0.09550.16830.12470.20960.1210
Aesthetic ↑5.74976.01685.81915.77595.8364
AI Corrupt ↑0.68680.67120.67410.59250.7130

LICENSE

This model is released under Kohaku License 1.0 You can check the above provided URL or check the LICENSE file in this repo.

Citation

@misc{yeh2024tipotextimagetext,
      title={TIPO: Text to Image with Text Presampling for Prompt Optimization}, 
      author={Shih-Ying Yeh and Sang-Hyun Park and Giyeong Oh and Min Song and Youngjae Yu},
      year={2024},
      eprint={2411.08127},
      archivePrefix={arXiv},
      primaryClass={cs.CV},
      url={https://arxiv.org/abs/2411.08127}, 
}

Как запустить

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

GPU в ailist

Универсальный рантайм · transformers

Можно запустить

Подбираем GPU…

Класс архитектуры
LlamaForCausalLM
Ревизия весов
065322b

0 моделей