/ Модель

Характеристики

Контекст
32 768 токенов
Параметры
7,1 млрд
Размер весов
16,1 ГБ
Лицензия
Apache 2.0
Архитектура
qwen2 · dense
Базовая модель
Qwen2.5-7B-Instruct
Опубликована
17 ноя 2024

MAmmoTH-VL-8B

Генерация текстаТекст → текст4 профессии

MAmmoTH-VL-8B — мультимодальная модель для рассуждений по изображениям и видео, включая математические и STEM-задачи.

155скачиваний за 30 дней19лайковвеса обновлены9 дек 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

MAmmoTH-VL-8B — мультимодальная модель с открытыми весами, разработанная авторами проекта MAmmoTH-VL. Она дообучена на базе Qwen/Qwen2.5-7B-Instruct для решения задач, требующих анализа изображений и пошагового рассуждения, включая математические и STEM-задачи, визуальные вопросы и работу с видео. README описывает подход к обучению на наборе из 12 млн пар инструкций и ответов с промежуточными обоснованиями.

Модель имеет архитектуру LlavaQwenForCausalLM семейства Qwen2, около 7,1 млрд параметров и контекст до 32 768 токенов; метаданные указывают английский язык и поддержку чата. Репозиторий содержит веса в формате safetensors. Лицензия — Apache-2.0. README не уточняет подробные ограничения по входному разрешению изображений и формату видеоданных.

Сценарии применения

  • ответы на вопросы по изображениям
  • решение математических задач по визуальным материалам
  • анализ диаграмм, графиков и научных иллюстраций
  • объяснение визуальных задач с промежуточными рассуждениями
  • ответы на вопросы о содержании видео

Ограничения

Модель обучалась на синтетически сформированном наборе инструкций, поэтому качество рассуждений и точность ответов могут зависеть от типа задачи и данных. README не приводит сведений о поддерживаемом разрешении изображений и ограничениях обработки видео.

Для каких профессий подходит4

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

MAmmoTH-VL-8B

🏠 Homepage | 🤖 MAmmoTH-VL-8B | 💻 Code | 📄 Arxiv | 📕 PDF | 🖥️ Demo

Abstract

Open-source multimodal large language models (MLLMs) have shown significant potential in a broad range of multimodal tasks. However, their reasoning capabilities remain constrained by existing instruction-tuning datasets, which were predominately repurposed from academic datasets such as VQA, AI2D, and ChartQA. These datasets target simplistic tasks, and only provide phrase-level answers without any intermediate rationales. To address these challenges, we introduce a scalable and cost-effective method to construct a large-scale multimodal instruction-tuning dataset with rich intermediate rationales designed to elicit CoT reasoning. Using only open models, we create a dataset containing 12M instruction-response pairs to cover diverse, reasoning-intensive tasks with detailed and faithful rationales. Experiments demonstrate that training MLLMs on this dataset significantly improves reasoning capabilities, achieving state-of-the-art performance on benchmarks such as MathVerse (+8.1%), MMMU-Pro (+7%), and MuirBench (+13.3%). Additionally, the model demonstrates notable improvements of up to 4% on non-reasoning-based benchmarks. Ablation studies further highlight the importance of key components, such as rewriting and self-filtering, in the dataset construction process.

Performance

We highlight different groups of models with different colors: closed-source models, open weights but closed training details, and fully open-source models. Results are from official sources or running with lmms-eval package if unavailable.

Multi-Discipline Knowledge and Mathematical Reasoning

image/png

Chart & Doc Understanding and Multimodal Interactions & Preferences

image/png

Multi-Image and Video

image/png

Citing the Model

@article{guo2024mammothvlelicitingmultimodalreasoning,
      title={MAmmoTH-VL: Eliciting Multimodal Reasoning with Instruction Tuning at Scale}, 
      author={Jarvis Guo and Tuney Zheng and Yuelin Bai and Bo Li and Yubo Wang and King Zhu and Yizhi Li and Graham Neubig and Wenhu Chen and Xiang Yue},
      year={2024},
      eprint={2412.05237},
      archivePrefix={arXiv},
      primaryClass={cs.CL},
      url={https://arxiv.org/abs/2412.05237}, 
}

Как запустить

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

GPU в ailist

Универсальный рантайм

Можно запустить

Подбираем GPU…

Класс архитектуры
LlavaQwenForCausalLM
Ревизия весов
3035be0

0 моделей