/ Модель

Характеристики

Контекст
131 072 токена
Размер весов
21,3 ГБ
Лицензия
Llama 3.2
Архитектура
mllama · dense
Базовая модель
Llama-3.1-Swallow-8B-v0.1
Опубликована
9 окт 2024

Llama-3.2-11B-Vision-Instruct-Swallow-8B-Merge

Компьютерное зрение5 профессий

Объединённая мультимодальная модель Llama для диалогов и работы с изображениями, дополненная японскими языковыми возможностями.

25скачиваний за 30 дней3лайкавеса обновлены9 окт 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

Llama-3.2-11B-Vision-Instruct-Swallow-8B-Merge — объединённая модель Kendamarron на архитектуре mllama. Она создана методом Chat Vector на основе Llama-3.2-11B-Vision-Instruct с добавлением японских языковых возможностей из Llama-3.1-Swallow-8B-v0.1; в рецепте также используется Llama-3.1-8B. Модель предназначена для диалогов и работы с изображениями вместе с текстом, включая японские запросы. Карточка указывает лицензию llama3.2. Число параметров и длина контекста для этой версии в предоставленных данных не указаны.

Сценарии применения

  • ответы на вопросы по изображению на японском языке
  • диалог с японским виртуальным помощником
  • описание содержимого изображений
  • ответы на текстовые запросы на японском языке

Ограничения

Данные о качестве, поддерживаемых языках помимо японского и английского, а также ограничениях модели в карточке не приведены.

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

Model Information

Llama-3.2-11B-Vision-Instruct-Swallow-8B-Merge was created using Chat Vector to add Japanese language capability to Meta/Llama-3.2-11B-Vision-Instruct.

Llama-3.2-11B-Vision-Instruct-Swallow-8B-Mergeは、Meta/Llama-3.2-11B-Vision-Instructに日本語能力を付加するためにChat Vectorを用いて作成されました。

Detail

https://zenn.dev/kendama/articles/280a4089cb8a72

Recipe

Llama-3.2-11B-Vision-Instruct + (Llama-3.1-Swallow-8B-v0.1 - Llama-3.1-8B)

License

Llama 3.2 Community License

How to use

import requests
import torch
from PIL import Image
from transformers import MllamaForConditionalGeneration, AutoProcessor

model_id = "Kendamarron/Llama-3.2-11B-Vision-Instruct-Swallow-8B-Merge"

model = MllamaForConditionalGeneration.from_pretrained(
    model_id,
    torch_dtype=torch.bfloat16,
    device_map="auto",
)
processor = AutoProcessor.from_pretrained(model_id)

url = "https://huggingface.co/datasets/huggingface/documentation-images/resolve/0052a70beed5bf71b92610a43a52df6d286cd5f3/diffusers/rabbit.jpg"
image = Image.open(requests.get(url, stream=True).raw)

messages = [
    {"role": "user", "content": [
        {"type": "image"},
        {"type": "text", "text": "この画像で一句詠んでください。"}
    ]}
]
input_text = processor.apply_chat_template(messages, add_generation_prompt=True)
inputs = processor(
    image,
    input_text,
    add_special_tokens=False,
    return_tensors="pt"
).to(model.device)

output = model.generate(**inputs, max_new_tokens=30)
print(processor.decode(output[0]))

Как запустить

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

GPU в ailist

Универсальный рантайм

Нельзя запустить

У модели не указана задача.

Класс архитектуры
MllamaForConditionalGeneration
Ревизия весов
5d48e1f

0 моделей