/ Модель

Характеристики

Лицензия
Apache 2.0
Библиотека
transformers
Опубликована
10 окт 2024

mikewang_-_PVD-160k-Mistral-7b-gguf

Описание изображенийИзображение → текст3 профессии

PVD-160k-Mistral-7b-GGUF — квантизированная версия модели PVD-160k-Mistral-7b, разработанной Mike Wang и его исследовательской группой; квантизацию выполнил Richard Erkhov.

2 349скачиваний за 30 дней0лайковвеса обновлены16 июн 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

Модель создана в рамках проекта Visually Descriptive Language Model (VDLM), посвящённого рассуждениям о векторной графике с использованием текстовых визуальных описаний, включая SVG-представления и Primal Visual Description.

Модель предназначена для задач визуального вопросно-ответного взаимодействия и рассуждений по изображениям, состоящим из двумерных объектов и геометрических фигур. В README упоминаются анализ пространственных отношений, решение простых лабиринтов и другие задачи, требующие точного восприятия низкоуровневых визуальных деталей. Архитектурно это модель на базе Mistral 7B, обученная на наборе данных PVD-160K; заявленная модальность — image-to-text. Языки и размер контекстного окна в доступных данных не указаны.

Основное преимущество модели — специализация на текстовом описании и рассуждении о векторной графике, а также возможность запуска в формате GGUF с различными вариантами квантизации размером примерно от 2,53 до 7,17 ГБ. Ограничения включают зависимость качества от выбранного уровня квантизации и отсутствие подробных сведений о поддерживаемых языках, контекстном окне и результатах на конкретных бенчмарках в представленном README. Модель распространяется по лицензии Apache-2.0.

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

Quantization made by Richard Erkhov.

This repository contains a quantized version of the model presented in Visually Descriptive Language Model for Vector Graphics Reasoning.

Github

Discord

Request more models

Project page: https://mikewangwzhl.github.io/VDLM/ Code: https://github.com/MikeWangWZHL/VDLM

PVD-160k-Mistral-7b - GGUF

NameQuant methodSize
PVD-160k-Mistral-7b.Q2_K.ggufQ2_K2.53GB
PVD-160k-Mistral-7b.IQ3_XS.ggufIQ3_XS2.81GB
PVD-160k-Mistral-7b.IQ3_S.ggufIQ3_S2.96GB
PVD-160k-Mistral-7b.Q3_K_S.ggufQ3_K_S2.95GB
PVD-160k-Mistral-7b.IQ3_M.ggufIQ3_M3.06GB
PVD-160k-Mistral-7b.Q3_K.ggufQ3_K3.28GB
PVD-160k-Mistral-7b.Q3_K_M.ggufQ3_K_M3.28GB
PVD-160k-Mistral-7b.Q3_K_L.ggufQ3_K_L3.56GB
PVD-160k-Mistral-7b.IQ4_XS.ggufIQ4_XS3.67GB
PVD-160k-Mistral-7b.Q4_0.ggufQ4_03.83GB
PVD-160k-Mistral-7b.IQ4_NL.ggufIQ4_NL3.87GB
PVD-160k-Mistral-7b.Q4_K_S.ggufQ4_K_S3.86GB
PVD-160k-Mistral-7b.Q4_K.ggufQ4_K4.07GB
PVD-160k-Mistral-7b.Q4_K_M.ggufQ4_K_M4.07GB
PVD-160k-Mistral-7b.Q4_1.ggufQ4_14.24GB
PVD-160k-Mistral-7b.Q5_0.ggufQ5_04.65GB
PVD-160k-Mistral-7b.Q5_K_S.ggufQ5_K_S4.65GB
PVD-160k-Mistral-7b.Q5_K.ggufQ5_K4.78GB
PVD-160k-Mistral-7b.Q5_K_M.ggufQ5_K_M1.7GB
PVD-160k-Mistral-7b.Q5_1.ggufQ5_15.07GB
PVD-160k-Mistral-7b.Q6_K.ggufQ6_K5.53GB
PVD-160k-Mistral-7b.Q8_0.ggufQ8_07.17GB

Original model description:

license: apache-2.0 datasets:

  • mikewang/PVD-160K

We observe that current large multimodal models (LMMs) still struggle with seemingly straightforward reasoning tasks that require precise perception of low-level visual details, such as identifying spatial relations or solving simple mazes. In particular, this failure mode persists in question-answering tasks about vector graphics—images composed purely of 2D objects and shapes.

Teaser

To solve this challenge, we propose Visually Descriptive Language Model (VDLM), a visual reasoning framework that operates with intermediate text-based visual descriptions—SVG representations and learned Primal Visual Description, which can be directly integrated into existing LLMs and LMMs. We demonstrate that VDLM outperforms state-of-the-art large multimodal models, such as GPT-4V, across various multimodal reasoning tasks involving vector graphics. See our paper for more details. Overview

Как запустить

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

GPU в ailist

Универсальный рантайм · transformers

Нельзя запустить

GGUF-веса поддерживаются только для текстовых LLM (llama.cpp).

Ревизия весов
ae1e18d

0 моделей