/ Модель

Характеристики

Контекст
3 072 токена
Параметры
3,5 млрд
Размер весов
6,4 ГБ
Лицензия
Apache 2.0
Архитектура
imp · dense
Опубликована
24 янв 2024

imp-v1-3b

Генерация текстаТекст → текст3 профессии

Компактная мультимодальная модель Imp-v1-3b объединяет Phi-2 и SigLIP для ответов на вопросы и диалога по изображениям.

184скачиваний за 30 дней200лайковвеса обновлены26 мая 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

Imp-v1-3b — компактная мультимодальная языковая модель проекта MILVLG при Ханчжоуском университете электроники. Она объединяет языковую модель Phi-2 размером 2,7 млрд параметров и визуальный энкодер SigLIP размером 0,4 млрд параметров; общий размер модели в метаданных указан как 3,5 млрд параметров. Модель обучена на обучающем наборе LLaVA-v1.5 и предназначена для диалога о визуальном содержимом и ответов на вопросы по изображениям.

Модель подходит для визуального вопросно-ответного взаимодействия и описания изображений, в том числе для компактных мультимодальных приложений. README сообщает о сравнительной оценке на девяти бенчмарках, включая VQA и TextVQA, но не приводит здесь полный набор результатов. Метаданные указывают контекст длиной 3072 токена и формат весов safetensors. Лицензия — Apache-2.0. В README отмечено, что технический отчёт и код обучения планировалось выпустить позднее; заявленные результаты бенчмарков не являются гарантией качества в прикладных сценариях.

Сценарии применения

  • ответы на вопросы по изображениям
  • описание содержимого фотографии
  • визуальный диалог с пользователем
  • ответы на вопросы о тексте внутри изображения

Ограничения

Контекст ограничен 3072 токенами. README не содержит полного технического отчёта и полного набора результатов оценки; качество на конкретных прикладных данных следует проверять отдельно.

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

😈 Imp

A very small man can cast a very large shadow.

          ——George R.R. Martin, A Clash of Kings

[Technical report (coming soon)]  [Demo]  [Github]

Introduction

The Imp project aims to provide a family of a strong multimodal small language models (MSLMs). Our imp-v1-3b is a strong MSLM with only 3B parameters, which is build upon a small yet powerful SLM Phi-2 (2.7B) and a powerful visual encoder SigLIP (0.4B), and trained on the LLaVA-v1.5 training set.

As shown in the image below, imp-v1-3b significantly outperforms the counterparts of similar model sizes, and even achieves slightly better performance than the strong LLaVA-7B model on various multimodal benchmarks.

evaluation

We release our model weights and provide an example below to run our model . Detailed technical report and corresponding training/evaluation code will be released soon on our GitHub repo. We will persistently improve our model and release the next versions to further improve model performance :)

How to use

Install dependencies

pip install transformers # latest version is ok, but we recommend v4.39.2
pip install -q pillow accelerate einops

You can use the following code for model inference. The format of text instruction is similar to LLaVA. A Colab page to run this example is provided here. Note that the example can only be run on GPUs currently.

import torch
from transformers import AutoModelForCausalLM, AutoTokenizer
from PIL import Image

torch.set_default_device("cuda")

#Create model
model = AutoModelForCausalLM.from_pretrained(
    "MILVLG/imp-v1-3b", 
    torch_dtype=torch.float16, 
    device_map="auto",
    trust_remote_code=True)
tokenizer = AutoTokenizer.from_pretrained("MILVLG/imp-v1-3b", trust_remote_code=True)

#Set inputs
text = "A chat between a curious user and an artificial intelligence assistant. The assistant gives helpful, detailed, and polite answers to the user's questions. USER: <image>\nWhat are the colors of the bus in the image? ASSISTANT:"
image = Image.open("images/bus.jpg")

input_ids = tokenizer(text, return_tensors='pt').input_ids
image_tensor = model.image_preprocess(image)

#Generate the answer
output_ids = model.generate(
    input_ids,
    max_new_tokens=100,
    images=image_tensor,
    use_cache=True)[0]
print(tokenizer.decode(output_ids[input_ids.shape[1]:], skip_special_tokens=True).strip())

Model evaluation

We conduct evaluation on 9 commonly-used benchmarks, including 5 academic VQA benchmarks and 4 popular MLLM benchmarks, to compare our Imp model with LLaVA (7B) and existing MSLMs of similar model sizes.

ModelsSizeVQAv2GQASQA(IMG)TextVQAPOPEMME(P)MMBMM-Vet
LLaVA-v1.5-lora7B79.1063.0068.4058.2086.401476.966.1030.2
TinyGPT-V3B-33.60------
LLaVA-Phi3B71.40-68.4048.6085.001335.159.8028.9
MobileVLM3B-59.0061.0047.5084.901288.959.60-
MC-LLaVA-3b3B64.2449.60-38.5980.59---
Imp-v1 (ours)3B81.4264.4069.2659.3487.851502.867.6933.6

Examples

example1

License

This project is licensed under the Apache License 2.0 - see the LICENSE file for details.

About us

This project is maintained by the MILVLG@Hangzhou Dianzi University (HDU) led by Prof. Zhou Yu and Jun Yu, and is mainly developed by Zhenwei Shao and Xuecheng Ouyang. We hope our model may serve as a strong baseline to inspire future research on MSLM, as well as its derivative applications on mobile devices and robots.

Citation

If you use our model or refer our work in your studies, please cite:

@article{imp2024,
  title={Imp: Highly Capable Large Multimodal Models for Mobile Devices},
  author={Shao, Zhenwei and Yu, Zhou and Yu, Jun and Ouyang, Xuecheng and Zheng, Lihao and Gai, Zhenbiao and Wang, Mingyang and Ding, Jiajun},
  journal={arXiv preprint arXiv:2405.12107},
  year={2024}
}

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
ImpForCausalLM
Ревизия весов
634c7fc

0 моделей