/ Модель

Характеристики

Контекст
8 192 токена
Параметры
7,5 млрд
Размер весов
16,7 ГБ
Архитектура
llava_llama · dense
Опубликована
27 апр 2024

LLaVA-Meta-Llama-3-8B-Instruct-FT

Генерация текстаТекст → текст3 профессии

Мультимодальная LLaVA-модель на базе Meta-Llama-3-8B-Instruct для диалоговых ответов и понимания изображений.

78скачиваний за 30 дней12лайковвеса обновлены27 апр 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

MBZUAI/LLaVA-Meta-Llama-3-8B-Instruct-FT — мультимодальная модель LLaVA v1.5, дообученная с языковой моделью Meta-Llama-3-8B-Instruct. В обучении сначала настраивали проектор между зрительной и языковой частями, затем дообучили все параметры, кроме визуального энкодера CLIP. В карточке указаны наборы LCS-558K для предварительного обучения и LLaVA-Instruct-665K для дообучения.

Модель предназначена для диалогового понимания изображений и ответов на вопросы по их содержимому. Репозиторий содержит около 7,5 млрд параметров в формате safetensors; контекст — до 8192 токенов. Метаданные Hugging Face указывают задачу text-generation, а архитектура LLaVA и описание README подтверждают работу с изображениями. Лицензия и поддерживаемые языки в предоставленных данных не указаны.

Сценарии применения

  • ответы на вопросы о содержимом изображения
  • описание изображений в диалоге
  • визуальный разбор сцен и объектов
  • диалоговое извлечение сведений из изображений

Ограничения

Карточка не подтверждает языковой охват и не сообщает результаты оценки качества; возможности могут зависеть от формата подачи изображений и используемой обвязки.

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

CODE

LLaMA-3-V: Extending the Visual Capabilities of LLaVA with Meta-Llama-3-8B-Instruct

Repository Overview

This repository features LLaVA v1.5 trained with the Meta-Llama-3-8B-Instruct LLM. This integration aims to leverage the strengths of both models to offer advanced vision-language understanding.

Training Strategy

  • Pretraining: Only Vision-to-Language projector is trained. The rest of the model is frozen.
  • Fine-tuning: All model parameters including LLM are fine-tuned. Only the vision-backbone (CLIP) is kept frozen.

Key Components

Training Data

Download It As

git lfs install
git clone https://huggingface.co/MBZUAI/LLaVA-Meta-Llama-3-8B-Instruct-FT

Contributions

Contributions are welcome! Please 🌟 our repository LLaVA++ if you find this model useful.


Как запустить

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

GPU в ailist

Универсальный рантайм

Нельзя запустить

Архитектура llava_llama неизвестна transformers в образе рантайма.

Класс архитектуры
LlavaLlamaForCausalLM
Ревизия весов
612fcb2

0 моделей