/ Модель

Характеристики

Лицензия
MIT
Архитектура
flmr · dense
Библиотека
transformers
Опубликована
20 фев 2024

PreFLMR_ViT-L

ЭмбеддингиТекст → embedding

Производная модели LinWeizheDragon/PreFLMR_ViT-G. Мультимодальный ретривер PreFLMR с энкодером ViT-G для поиска документов по текстовым, визуальным и комбинированным запросам.

111скачиваний за 30 дней1лайквеса обновлены27 фев 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

Карточка модели LinWeizheDragon/PreFLMR_ViT-L на Hugging Face совпадает с карточкой LinWeizheDragon/PreFLMR_ViT-G, поэтому описание составлено по ней.

PreFLMR_ViT-G — мультимодальная модель поиска документов семейства PreFLMR, разработанная LinWeizheDragon. Она принимает текстовый запрос, изображение или их сочетание и извлекает релевантные документы из предварительно индексированного корпуса; модель также подходит как поисковый компонент для систем retrieval-augmented generation и визуальных вопросно-ответных систем с опорой на знания. Архитектура — FLMRModelForRetrieval с визуальным энкодером ViT-G и текстовым энкодером Base-v2; в README для этого варианта указано 2,1 млрд параметров. Модель обучалась на задачах поиска «изображение—текст», «вопрос—текст» и «изображение и вопрос—текст», включая наборы WIT, MSMARCO, OKVQA и другие.

Модель рассчитана на англоязычные запросы и мультимодальный поиск, а в карточке приведены результаты оценки на WIT, LLaVA, OVEN, KVQA, IGLUE, Infoseek, E-VQA, OKVQA и MSMARCO. Репозиторий содержит веса safetensors и использует библиотеку Transformers. Лицензия — MIT. Для работы требуется подготовленный корпус и индекс, а сама модель извлекает документы, но не генерирует итоговые ответы; приведённые результаты относятся к указанным тестовым наборам.

Сценарии применения

  • поиск документов по изображению
  • поиск текстовых источников по вопросу
  • поиск по сочетанию изображения и вопроса
  • подбор источников для визуальной системы вопросов и ответов
  • поисковый компонент для RAG по мультимодальным запросам

Ограничения

Для поиска необходимы подготовленный корпус документов и индекс; модель извлекает релевантные документы, а не формирует готовые ответы. В README заявлена поддержка английского языка, и результаты оценки приведены для конкретных наборов данных.

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

PreFLMR model card

PreFLMR is an open-source model for multimodal knowledge retrieval. It is a transformer-based model that uses a combination of text and image inputs to retrieve relevant documents from a large corpus.

Model Details

Model Description

  • Model type: FLMRModelForRetrieval
  • Language(s) (NLP): English
  • License: MIT License

Paper and resources for more detail

Uses

Direct Use

This model can be used directly to retrieve documents from a large corpus using a combination of text and image input queries. The retrieval usage can be found in the official implementation.

Downstream Use

This model can be used combined with language models to create a retrieval-augmented language model. The use for Knowledge-based VQA can be found in RAVQA

How to Get Started with the Model

For details of training, indexing, and performing retrieval, please refer to here.

Training datasets

The model is pre-trained on three types of tasks with a total of nine datasets:

  1. Image to Text retrieval: WIT, KVQA, and CC3M
  2. Question to Text retrieval: MSMARCO
  3. Image & Question to Text retrieval: LLaVA, OVEN, OKVQA, Infoseek and E-VQA

These datasets were converted to retrieval format. For details on the dataset split and conversion process, please refer to the paper PreFLMR: Scaling Up Fine-Grained Late-Interaction Multi-modal Retrievers. We will release the proprocessed datasets soon.

Evaluation datasets

We evaluate our models on WIT, LLaVA, OVEN, KVQA, IGLUE (subset of WIT), Infoseek, E-VQA, OKVQA and MSMARCO.

ModelVision EncoderText EncoderCheckpoint NameNo. Param.WITLLaVAOVENKVQAIGLUEInfoseekE-VQAOKVQAMSMARCO
PreFLMRViT-BBase-v2LinWeizheDragon/PreFLMR_ViT-B327M41.767.246.328.657.348.867.966.179.5
PreFLMRViT-LBase-v2LinWeizheDragon/PreFLMR_ViT-L543M60.571.859.843.669.257.970.868.578.7
PreFLMRViT-GBase-v2LinWeizheDragon/PreFLMR_ViT-G2.1B61.572.463.442.171.559.673.168.678.6

For the evaluation metrics, WIT uses Recall@10, IGLUE uses Recall@1, and all the rest datasets use Recall@5.

Citation

BibTeX:

@article{Lin_Mei_Chen_Byrne_2024, 
        title={PreFLMR: Scaling Up Fine-Grained Late-Interaction Multi-modal Retrievers}, 
        url={http://arxiv.org/abs/2402.08327}, 
        number={arXiv:2402.08327}, 
        publisher={arXiv}, 
        author={Lin, Weizhe and Mei, Jingbiao and Chen, Jinghong and Byrne, Bill}, 
        year={2024}}

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
FLMRModelForRetrieval
Ревизия весов
ca45b7c

0 моделей