/ Модель

Характеристики

Контекст
4 096 токенов
Параметры
3,7 млрд
Размер весов
8,3 ГБ
Лицензия
MIT
Архитектура
llava_phi · dense
Опубликована
26 апр 2024

LLaVA-Phi-3-mini-4k-instruct

Генерация текстаТекст → текст3 профессии

Мультимодальная чат-модель MBZUAI на базе LLaVA v1.5 и Phi-3-mini для ответов на вопросы о содержимом изображений.

167скачиваний за 30 дней21лайквеса 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-Phi-3-mini-4k-instruct — мультимодальная чат-модель MBZUAI для понимания изображений и диалога на их основе. Она объединяет архитектуру LLaVA v1.5 с языковой моделью Phi-3-mini-4k-instruct; в репозитории размещены объединённые веса. Обучение включало настройку визуально-языкового проектора и LoRA-дообучение языковой части при замороженном визуальном энкодере CLIP.

Модель содержит 3,7 млрд параметров, принимает текст и изображения и генерирует текст. Контекст составляет 4096 токенов. В README указаны наборы данных LCS-558K для предварительного обучения и LLaVA-Instruct-665K для дообучения. Модель подходит для диалога о содержимом изображений и ответов на вопросы по ним. Лицензия — MIT.

Сценарии применения

  • ответы на вопросы о содержимом изображения
  • описание изображений в диалоге
  • визуальный анализ сцен и объектов
  • чат-ассистент с изображениями

Ограничения

Контекст ограничен 4096 токенами. Карточка не сообщает о поддерживаемых языках или отдельных бенчмарках качества.

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

Phi-3-V: Extending the Visual Capabilities of LLaVA with Phi-3

Repository Overview

This repository features LLaVA v1.5 trained with the Phi-3-mini-3.8B 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: LLM is LoRA fine-tuned. Only the vision-backbone (CLIP) is kept frozen.
  • Note: The repository contains merged weights.

Key Components

Training Data

Download It As

git lfs install
git clone https://huggingface.co/MBZUAI/LLaVA-Phi-3-mini-4k-instruct

License

This project is available under the MIT License.

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

Модели нужен код из репозитория; автор пока не в списке доверенных организаций.

Класс архитектуры
LlavaPhiForCausalLM
Ревизия весов
ef1a902

0 моделей