/ Модель

Характеристики

Параметры
7,9 млрд
Размер весов
11,8 ГБ
Лицензия
MIT
Архитектура
intern_vit_6b · dense
Базовая модель
InternViT-6B-224px
Опубликована
30 янв 2024

InternViT-6B-448px-V1-0

Эмбеддинги изображений3 профессии

Визуальный backbone OpenGVLab для извлечения признаков изображений и использования в мультимодальных языковых моделях.

64скачиваний за 30 дней9лайковвеса обновлены9 дек 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

InternViT-6B-448px-V1-0 — визуальная foundation-модель и backbone для извлечения признаков изображений, разработанная OpenGVLab. Она используется как зрительный компонент мультимодальных языковых моделей, в том числе InternVL-Chat-V1-1.

Модель построена на архитектуре InternViT и содержит 48 блоков; README указывает 5,903 млн параметров, а метаданные — 7,9 млрд. Обрабатывает изображения размером 448 × 448 пикселей. Авторы отмечают улучшения распознавания текста на изображениях и поддержки китайских диалогов; при построении мультимодальной языковой модели рекомендуют брать признаки с четвертого блока с конца.

Модель обучалась на наборах LAION, COYO, Conceptual Captions, Wukong и OCR-данных. README предупреждает, что серия InternViT V2.5 лучше подходит для построения мультимодальных языковых моделей, чем для традиционных задач компьютерного зрения. Лицензия — MIT.

Сценарии применения

  • извлечение признаков из изображений для мультимодальной языковой модели
  • подготовка визуального backbone для чат-модели с изображениями
  • анализ изображений размером 448 × 448 пикселей
  • распознавание текста на изображениях как часть мультимодальной системы

Ограничения

Ориентирована прежде всего на использование как визуального компонента мультимодальных языковых моделей; для традиционных задач компьютерного зрения авторы рекомендуют серию InternViT V2.5. Для MLLM авторы рекомендуют использовать признаки четвертого блока с конца.

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

InternViT-6B-448px-V1-0

[📂 GitHub] [📜 InternVL 1.0] [📜 InternVL 1.5] [📜 Mini-InternVL] [📜 InternVL 2.5]

[🆕 Blog] [🗨️ Chat Demo] [🤗 HF Demo] [🚀 Quick Start] [📖 Documents]

We release InternViT-6B-448px-V1-0, which is integrated into InternVL-Chat-V1-1. In this update, we explored increasing the resolution to 448x448, enhancing Optical Character Recognition (OCR) capabilities, and improving support for Chinese conversations. For examples of the enhanced capabilities, please refer to the LINK.

Model Details

  • Model Type: vision foundation model, feature backbone
  • Model Stats:
    • Params (M): 5903
    • Image size: 448 x 448
  • Pretrain Dataset: LAION-en, LAION-COCO, COYO, CC12M, CC3M, SBU, Wukong, LAION-multi, OCR-related datasets.
  • Note: This model has 48 blocks, and we found that using the output after the fourth-to-last block worked best for MLLM. Therefore, when building a MLLM with this model, please use the features from the fourth-to-last layer.

Quick Start

[!Warning] 🚨 Note: In our experience, the InternViT V2.5 series is better suited for building MLLMs than traditional computer vision tasks.

import torch
from PIL import Image
from transformers import AutoModel, CLIPImageProcessor

model = AutoModel.from_pretrained(
    'OpenGVLab/InternViT-6B-448px-V1-0',
    torch_dtype=torch.bfloat16,
    low_cpu_mem_usage=True,
    trust_remote_code=True).cuda().eval()

image = Image.open('./examples/image1.jpg').convert('RGB')

image_processor = CLIPImageProcessor.from_pretrained('OpenGVLab/InternViT-6B-448px-V1-0')

pixel_values = image_processor(images=image, return_tensors='pt').pixel_values
pixel_values = pixel_values.to(torch.bfloat16).cuda()

outputs = model(pixel_values)

Citation

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

@article{chen2024expanding,
  title={Expanding Performance Boundaries of Open-Source Multimodal Models with Model, Data, and Test-Time Scaling},
  author={Chen, Zhe and Wang, Weiyun and Cao, Yue and Liu, Yangzhou and Gao, Zhangwei and Cui, Erfei and Zhu, Jinguo and Ye, Shenglong and Tian, Hao and Liu, Zhaoyang and others},
  journal={arXiv preprint arXiv:2412.05271},
  year={2024}
}
@article{gao2024mini,
  title={Mini-internvl: A flexible-transfer pocket multimodal model with 5\% parameters and 90\% performance},
  author={Gao, Zhangwei and Chen, Zhe and Cui, Erfei and Ren, Yiming and Wang, Weiyun and Zhu, Jinguo and Tian, Hao and Ye, Shenglong and He, Junjun and Zhu, Xizhou and others},
  journal={arXiv preprint arXiv:2410.16261},
  year={2024}
}
@article{chen2024far,
  title={How Far Are We to GPT-4V? Closing the Gap to Commercial Multimodal Models with Open-Source Suites},
  author={Chen, Zhe and Wang, Weiyun and Tian, Hao and Ye, Shenglong and Gao, Zhangwei and Cui, Erfei and Tong, Wenwen and Hu, Kongzhi and Luo, Jiapeng and Ma, Zheng and others},
  journal={arXiv preprint arXiv:2404.16821},
  year={2024}
}
@inproceedings{chen2024internvl,
  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 others},
  booktitle={Proceedings of the IEEE/CVF Conference on Computer Vision and Pattern Recognition},
  pages={24185--24198},
  year={2024}
}

Как запустить

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

GPU в ailist

Универсальный рантайм · image-feature-extraction

Нельзя запустить

Код из репозитория вместе с pickle-весами (.bin) не запускается из соображений безопасности.

Класс архитектуры
InternVisionModel
Ревизия весов
c936f55

0 моделей