/ Модель

Характеристики

Контекст
8 192 токена
Параметры
7,5 млрд
Размер весов
18,4 ГБ
Лицензия
CC BY-NC-SA 4.0
Архитектура
eagle_llama · dense
Базовая модель
Meta-Llama-3-8B-Instruct
Библиотека
transformers
Опубликована
7 янв 2025

Eagle-X2-Llama3-8B

Генерация текстаТекст → текст6 профессий

Визуально-языковая модель Eagle на базе Llama 3 для генерации текстовых ответов по изображениям, включая задачи чтения таблиц.

18скачиваний за 30 дней0лайковвеса обновлены7 янв 2025

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

Eagle-X2-Llama3-8B-ConsecutiveTableReadout-Mix-160k — визуально-языковая модель семейства Eagle, разработанная на основе adapter-based структуры LLaVA и Eagle. Она дообучена на базе meta-llama/Meta-Llama-3-8B-Instruct и использует визуальные энкодеры CLIP-448 на основе CLIP-336 и ConvNeXt.

Модель предназначена для диалоговой работы с изображениями и генерации текста по визуальному содержимому. Название указывает на чтение таблиц, однако README не описывает конкретные сценарии или результаты этой специализации. Архитектура — EagleLlamaForCausalLM; размер составляет 7,5 млрд параметров, контекст — 8192 токена. Метаданные задают основную задачу как image-text-to-text, а также отмечают поддержку text-generation.

Для использования доступны веса в формате safetensors через Transformers. Лицензия CC BY-NC-SA 4.0 требует указания авторства, распространения производных материалов на тех же условиях и запрещает коммерческое использование. Качество на чтении таблиц и поддерживаемые языки в предоставленных данных не описаны.

Сценарии применения

  • ответы на вопросы по содержимому изображений
  • извлечение сведений из таблиц на изображениях
  • диалог с визуальными материалами
  • описание изображений текстом

Ограничения

В предоставленной карточке не приведены оценки качества и подробности обучения на чтении таблиц. Лицензия запрещает коммерческое использование.

Для каких профессий подходит6

Разделы каталога профессий, в задачах которых используется эта модель

Все профессии

Также подходит для

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

Model Card for Eagle-X2-Llama3-8B-ConsecutiveTableReadout-Mix-160k

This model follows the adapter-based VLM structure from LLaVA and Eagle. This model uses meta-llama/Meta-Llama-3-8B-Instruct as the base LLM and CLIP-448 (based on CLIP-336) and ConvNeXt as the visual encoders.

Training Details

We trained on 595k pretraining data and 1.8M visual instruction tuning data.

Citation

Paper: Generalizing from SIMPLE to HARD Visual Reasoning

@misc{park2025generalizingsimplehardvisual,
      title={Generalizing from SIMPLE to HARD Visual Reasoning: Can We Mitigate Modality Imbalance in VLMs?}, 
      author={Simon Park and Abhishek Panigrahi and Yun Cheng and Dingli Yu and Anirudh Goyal and Sanjeev Arora},
      year={2025},
      eprint={2501.02669},
      archivePrefix={arXiv},
      primaryClass={cs.CV},
      url={https://arxiv.org/abs/2501.02669}, 
}

Contact

Simon Park, Princeton University

Abhishek Panigrahi, Princeton University

Yun Cheng, Princeton University

{juhyunp, ap34, yc6206} 'at' princeton 'dot' edu

Как запустить

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

GPU в ailist

Универсальный рантайм · transformers

Нельзя запустить

Архитектура eagle_llama неизвестна transformers в образе рантайма.

Класс архитектуры
EagleLlamaForCausalLM
Ревизия весов
51615ad

0 моделей