/ Модель

Характеристики

Контекст
4 096 токенов
Параметры
6,6 млрд
Размер весов
25,3 ГБ
Архитектура
llava · dense
Базовая модель
InternViT-6B-224px
Опубликована
25 дек 2023

InternVL-Chat-ViT-6B-Vicuna-7B

Генерация текстаТекст → текст3 профессии

Мультимодальная чат-модель OpenGVLab, которая отвечает на текстовые вопросы по изображениям.

73скачиваний за 30 дней8лайковвеса обновлены24 авг 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

InternVL-Chat-ViT-6B-Vicuna-7B — мультимодальная чат-модель OpenGVLab для диалога по изображениям и визуальных вопросов. В основе — трансформерная авторегрессионная языковая модель, объединённая с визуальным энкодером InternViT-6B-224px и Vicuna-7B-v1.5; метаданные указывают 6,6 млрд параметров и контекст 4096 токенов. Модель принимает изображения и текстовые запросы и формирует текстовые ответы.

Модель обучалась на парах изображение—текст, мультимодальных инструкциях, данных для визуальных вопросов и ShareGPT. Она предназначена для задач визуального восприятия, диалога по изображениям и ответов на вопросы о визуальном содержимом. В README модель позиционируется прежде всего для исследований мультимодальных моделей и чат-ботов; заявлена поддержка многоязычного содержимого в обучающих данных, но конкретный перечень поддерживаемых языков не приведён. Репозиторий содержит веса PyTorch. Лицензия в предоставленных данных не указана.

Сценарии применения

  • ответы на вопросы о содержимом изображения
  • диалог с пользователем по загруженному изображению
  • описание и визуальное понимание сцен
  • решение академических задач визуальных вопросов

Ограничения

README ориентирует модель прежде всего на исследования и эксперименты; результаты на практических задачах могут зависеть от изображений и формулировки запроса. Конкретные языки поддержки и условия лицензии в предоставленных данных не приведены.

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

InternVL-Chat-ViT-6B-Vicuna-7B

What is InternVL?

[Paper] [GitHub] [Chat Demo]

InternVL scales up the ViT to 6B parameters and aligns it with LLM.

It is trained using web-scale, noisy image-text pairs. The data are all publicly available and comprise multilingual content, including LAION-en, LAION-multi, LAION-COCO, COYO, Wukong, CC12M, CC3M, and SBU.

It is the largest open-source vision/vision-language foundation model (14B) to date, achieving 32 state-of-the-art performances on a wide range of tasks such as visual perception, cross-modal retrieval, multimodal dialogue, etc.

image/png

How to Run?

Please refer to this README to run this model.

Note: We have retained the original documentation of LLaVA 1.5 as a more detailed manual. In most cases, you will only need to refer to the new documentation that we have added.

Model details

Model type: InternVL-Chat is an open-source chatbot trained by fine-tuning LLaMA/Vicuna on GPT-generated multimodal instruction-following data. It is an auto-regressive language model, based on the transformer architecture.

Model date: InternVL-Chat-ViT-6B-Vicuna-7B was trained in November 2023.

Paper or resources for more information: https://github.com/OpenGVLab/InternVL

License

InternVL is released under the MIT license.

Llama 2 is licensed under the LLAMA 2 Community License, Copyright (c) Meta Platforms, Inc. All Rights Reserved.

Where to send questions or comments about the model: https://github.com/OpenGVLab/InternVL/issues

Intended use

Primary intended uses: The primary use of InternVL-Chat is research on large multimodal models and chatbots.

Primary intended users: The primary intended users of the model are researchers and hobbyists in computer vision, natural language processing, machine learning, and artificial intelligence.

Training dataset

  • 558K filtered image-text pairs from LAION/CC/SBU, captioned by BLIP.
  • 158K GPT-generated multimodal instruction-following data.
  • 450K academic-task-oriented VQA data mixture.
  • 40K ShareGPT data.

Evaluation dataset

A collection of 12 benchmarks, including 5 academic VQA benchmarks and 7 recent benchmarks specifically proposed for instruction-following LMMs.

Acknowledgement

This model card is adapted from LLaVA's model card. Thanks for their awesome work!

Citation

If you find this project useful in your research, please consider citing:

@article{chen2023internvl,
  title={InternVL: Scaling up Vision Foundation Models and Aligning for Generic Visual-Linguistic Tasks},
  author={Chen, Zhe and Wu, Jiannan and Wang, Wenhai and Su, Weijie and Chen, Guo and Xing, Sen and Zhong, Muyan and Zhang, Qinglong and Zhu, Xizhou and Lu, Lewei and Li, Bin and Luo, Ping and Lu, Tong and Qiao, Yu and Dai, Jifeng},
  journal={arXiv preprint arXiv:2312.14238},
  year={2023}
}

Как запустить

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

GPU в ailist

Универсальный рантайм

Можно запустить

Подбираем GPU…

Класс архитектуры
LlavaLlamaForCausalLM
Ревизия весов
5a62ede

0 моделей