/ Модель

Характеристики

Контекст
2 048 токенов
Параметры
3,5 млрд
Размер весов
12,4 ГБ
Лицензия
MIT
Архитектура
llava_phi · dense
Опубликована
24 янв 2024

Llava-Phi2

Генерация текстаТекст → текст3 профессии

Мультимодальная модель на базе Phi-2 для ответов на вопросы и диалога по изображениям.

27скачиваний за 30 дней5лайковвеса обновлены18 июл 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

RaviNaik/Llava-Phi2 — мультимодальная модель на основе Phi-2, разработанная Ravi Naik по мотивам LLaVA-Phi. Она объединяет языковую модель Phi-2 с визуальным модулем CLIP ViT-L/14 разрешением 336 пикселей и дообучена для работы с изображениями и инструкциями. В карточке указаны предварительное обучение на 200 тысячах примеров LAION-CC-SBU с подписями BLIP и дообучение на наборе из 150 тысяч инструкций на основе COCO.

Модель предназначена для диалога по изображениям: она принимает изображение и текстовый запрос, а в ответ формирует текст. Размер составляет 3,5 млрд параметров, контекст — 2048 токенов; в метаданных указан английский язык. Репозиторий содержит веса в формате safetensors. Лицензия — MIT.

Сценарии применения

  • ответы на вопросы о содержимом изображения
  • создание текстовых описаний изображений
  • диалог с уточняющими вопросами об изображении

Ограничения

Контекст ограничен 2048 токенами. Карточка не приводит оценок качества или сведений о производительности модели.

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

Model Card for Model ID

This is a multimodal implementation of Phi2 model inspired by LlaVA-Phi.

Model Details

  1. LLM Backbone: Phi2
  2. Vision Tower: clip-vit-large-patch14-336
  3. Pretraining Dataset: LAION-CC-SBU dataset with BLIP captions(200k samples)
  4. Finetuning Dataset: Instruct 150k dataset based on COCO
  5. Finetuned Model: RaviNaik/Llava-Phi2

Model Sources

How to Get Started with the Model

Use the code below to get started with the model.

  1. Clone this repository and navigate to llava-phi folder
git clone https://github.com/zhuyiche/llava-phi.git
cd llava-phi
  1. Install Package
conda create -n llava_phi python=3.10 -y
conda activate llava_phi
pip install --upgrade pip  # enable PEP 660 support
pip install -e .
  1. Run the Model
python llava_phi/eval/run_llava_phi.py --model-path="RaviNaik/Llava-Phi2" \
    --image-file="https://huggingface.co/RaviNaik/Llava-Phi2/resolve/main/people.jpg?download=true" \
    --query="How many people are there in the image?"

Acknowledgement

This implementation is based on wonderful work done by:
LlaVA-Phi
Llava
Phi2

Как запустить

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

GPU в ailist

Универсальный рантайм

Нельзя запустить

Архитектура llava_phi неизвестна transformers в образе рантайма.

Класс архитектуры
LlavaPhiForCausalLM
Ревизия весов
eda5ace

0 моделей