/ Модель

Характеристики

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

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

Генерация текстаТекст → текст3 профессии

Дообученная мультимодальная модель LLaVA на базе Phi-3-mini для диалога и ответов по изображениям.

25скачиваний за 30 дней5лайковвеса 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-FT — мультимодальная модель для диалога по изображениям, объединяющая LLaVA v1.5 и языковую модель Phi-3-mini-4k-instruct. В README указано, что на этапе предварительного обучения обучался только проектор между зрительной и языковой частями, а при дообучении обновлялись параметры модели, кроме замороженной зрительной основы CLIP. Использованы наборы LCS-558K и LLaVA-Instruct-665K.

Модель предназначена для генерации ответов на текстовые запросы с учётом изображений и для задач визуального понимания. Она содержит 3,7 млрд параметров, имеет контекст 4096 токенов и распространяется в формате safetensors. Лицензия — MIT. README описывает зрительно-языковые возможности, однако метаданные HF указывают text-generation; для применения с изображениями может потребоваться совместимый интерфейс LLaVA.

Сценарии применения

  • ответы на вопросы об изображении
  • описание содержимого изображения
  • диалог по визуальным материалам
  • интерпретация сцен и объектов на изображениях

Ограничения

Метаданные классифицируют модель как text-generation, поэтому для работы с изображениями нужна совместимая обвязка LLaVA. Контекст ограничен 4096 токенами.

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: 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-Phi-3-mini-4k-instruct-FT

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
646d812

0 моделей