/ Модель

Характеристики

Размер весов
62,9 ГБ
Лицензия
MIT
Архитектура
blip-2 · dense
Опубликована
7 фев 2023

blip2-opt-6.7b-coco

Изображение и текст → текст3 профессии

BLIP-2 с языковой моделью OPT на 6,7 млрд параметров генерирует подписи и ответы на вопросы по изображениям.

1 009скачиваний за 30 дней35лайковвеса обновлены3 фев 2025

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 «Изображение → 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 оценки34

Из открытых лидербордов. Сравнивайте результаты одного теста при одинаковых условиях — отсутствие оценки не значит, что модель хуже.

  • STS17MultilingualVisualSTS

    main_score

    Результат

    0,0717

    MTEB

    Публичная таблицадругая ревизия

  • GTSRB

    main_score

    Результат

    0,7987

    MTEB

    Публичная таблицадругая ревизия

  • SugarCrepe

    main_score

    Результат

    0,843

    MTEB

    Публичная таблицадругая ревизия

  • XM3600T2IRetrieval

    main_score

    Результат

    0,0344

    Общий результат 0,1725Общий результат 0,1563Общий результат 0,0705
    MTEB

    Публичная таблицадругая ревизия

  • AROFlickrOrder

    main_score

    Результат

    0,0638

    MTEB

    Публичная таблицадругая ревизия

  • Imagenet1kZeroShot

    main_score

    Результат

    0,442

    MTEB

    Публичная таблицадругая ревизия

  • InfoSeekIT2TRetrieval

    main_score

    Результат

    0,0241

    MTEB

    Публичная таблицадругая ревизия

  • RenderedSST2

    main_score

    Результат

    0,5063

    MTEB

    Публичная таблицадругая ревизия

  • STSBenchmarkMultilingualVisualSTS

    main_score

    Результат

    0,224

    Общий результат 0,5591Общий результат 0,3918Общий результат 0,2806
    MTEB

    Публичная таблицадругая ревизия

  • WITT2IRetrieval

    main_score

    Результат

    0,1737

    Общий результат 0,1618Общий результат 0,0374
    MTEB

    Публичная таблицадругая ревизия

  • VidoreTabfquadRetrieval

    main_score

    Результат

    0,176

    MTEB

    Публичная таблицадругая ревизия

  • Flickr30kI2TRetrieval

    main_score

    Результат

    0,7653

    MTEB

    Публичная таблицадругая ревизия

  • VizWizIT2TRetrieval

    main_score

    Результат

    0,1085

    MTEB

    Публичная таблицадругая ревизия

  • MNIST

    main_score

    Результат

    0,9344

    MTEB

    Публичная таблицадругая ревизия

  • SOPI2IRetrieval

    main_score

    Результат

    0,4608

    MTEB

    Публичная таблицадругая ревизия

  • CIRRIT2IRetrieval

    main_score

    Результат

    0,0735

    MTEB

    Публичная таблицадругая ревизия

  • RP2kI2IRetrieval

    main_score

    Результат

    0,5817

    MTEB

    Публичная таблицадругая ревизия

  • VOC2007

    main_score

    Результат

    0,9441

    MTEB

    Публичная таблицадругая ревизия

  • VidoreArxivQARetrieval

    main_score

    Результат

    0,1468

    MTEB

    Публичная таблицадругая ревизия

  • VidoreSyntheticDocQAEnergyRetrieval

    main_score

    Результат

    0,1823

    MTEB

    Публичная таблицадругая ревизия

  • CIFAR10ZeroShot

    main_score

    Результат

    0,9737

    MTEB

    Публичная таблицадругая ревизия

  • MemotionT2IRetrieval

    main_score

    Результат

    0,4273

    MTEB

    Публичная таблицадругая ревизия

  • PatchCamelyonZeroShot

    main_score

    Результат

    0,5297

    MTEB

    Публичная таблицадругая ревизия

  • TinyImageNetClustering

    main_score

    Результат

    0,7092

    MTEB

    Публичная таблицадругая ревизия

  • CIFAR10Clustering

    main_score

    Результат

    0,9037

    MTEB

    Публичная таблицадругая ревизия

  • VidoreSyntheticDocQAAIRetrieval

    main_score

    Результат

    0,1378

    MTEB

    Публичная таблицадругая ревизия

  • FER2013ZeroShot

    main_score

    Результат

    0,5188

    MTEB

    Публичная таблицадругая ревизия

  • RParisEasyI2IRetrieval

    main_score

    Результат

    0,0971

    MTEB

    Публичная таблицадругая ревизия

  • SUN397

    main_score

    Результат

    0,7234

    MTEB

    Публичная таблицадругая ревизия

  • RParisHardI2IRetrieval

    main_score

    Результат

    0,0237

    MTEB

    Публичная таблицадругая ревизия

  • FGVCAircraft

    main_score

    Результат

    0,3521

    MTEB

    Публичная таблицадругая ревизия

  • HatefulMemesT2IRetrieval

    main_score

    Результат

    0,2854

    MTEB

    Публичная таблицадругая ревизия

  • CIFAR100

    main_score

    Результат

    0,8226

    MTEB

    Публичная таблицадругая ревизия

  • ROxfordMediumI2IRetrieval

    main_score

    Результат

    0,068

    MTEB

    Публичная таблицадругая ревизия

Что умеет модель

Описание составлено по карточке модели и метаданным Hugging Face

BLIP-2 OPT-6.7B COCO — модель Salesforce для генерации текста по изображению и необязательному текстовому запросу; карточку модели подготовила команда Hugging Face. Архитектура объединяет визуальный энкодер типа CLIP, Querying Transformer (Q-Former) и языковую модель OPT с 6,7 млрд параметров. Энкодер изображений и OPT используют предобученные замороженные веса, а Q-Former связывает представления изображения с языковой моделью. Модель дообучена на COCO.

Подходит для создания подписей к изображениям, ответов на вопросы о содержимом изображения и диалоговой генерации с изображением и историей разговора в запросе. Принимает изображения и текст, генерирует текст; в метаданных указан английский язык.

Модель может наследовать смещения и проблемы качества OPT и интернет-данных для пар изображение–текст, включая галлюцинации и генерацию неуместного содержания. Она не оценивалась в реальных приложениях; перед применением следует проверять точность, безопасность и справедливость. Лицензия — MIT; карточка указывает исследовательское назначение и не рекомендует прямое развёртывание без оценки рисков.

Сценарии применения

  • создание подписей к изображениям
  • ответы на вопросы о содержимом изображения
  • диалог с моделью по изображению и истории переписки

Ограничения

Возможны галлюцинации, смещения и генерация неуместного содержания; модель не оценивалась в реальных приложениях. Перед использованием следует оценить её точность, безопасность и справедливость.

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

BLIP-2, OPT-6.7b, fine-tuned on COCO

BLIP-2 model, leveraging OPT-6.7b (a large language model with 6.7 billion parameters). It was introduced in the paper BLIP-2: Bootstrapping Language-Image Pre-training with Frozen Image Encoders and Large Language Models by Li et al. and first released in this repository.

Disclaimer: The team releasing BLIP-2 did not write a model card for this model so this model card has been written by the Hugging Face team.

Model description

BLIP-2 consists of 3 models: a CLIP-like image encoder, a Querying Transformer (Q-Former) and a large language model.

The authors initialize the weights of the image encoder and large language model from pre-trained checkpoints and keep them frozen while training the Querying Transformer, which is a BERT-like Transformer encoder that maps a set of "query tokens" to query embeddings, which bridge the gap between the embedding space of the image encoder and the large language model.

The goal for the model is simply to predict the next text token, giving the query embeddings and the previous text.

This allows the model to be used for tasks like:

  • image captioning
  • visual question answering (VQA)
  • chat-like conversations by feeding the image and the previous conversation as prompt to the model

Direct Use and Downstream Use

You can use the raw model for conditional text generation given an image and optional text. See the model hub to look for fine-tuned versions on a task that interests you.

Bias, Risks, Limitations, and Ethical Considerations

BLIP2-OPT uses off-the-shelf OPT as the language model. It inherits the same risks and limitations as mentioned in Meta's model card.

Like other large language models for which the diversity (or lack thereof) of training data induces downstream impact on the quality of our model, OPT-175B has limitations in terms of bias and safety. OPT-175B can also have quality issues in terms of generation diversity and hallucination. In general, OPT-175B is not immune from the plethora of issues that plague modern large language models.

BLIP2 is fine-tuned on image-text datasets (e.g. LAION ) collected from the internet. As a result the model itself is potentially vulnerable to generating equivalently inappropriate content or replicating inherent biases in the underlying data.

BLIP2 has not been tested in real world applications. It should not be directly deployed in any applications. Researchers should first carefully assess the safety and fairness of the model in relation to the specific context they’re being deployed within.

Ethical Considerations

This release is for research purposes only in support of an academic paper. Our models, datasets, and code are not specifically designed or evaluated for all downstream purposes. We strongly recommend users evaluate and address potential concerns related to accuracy, safety, and fairness before deploying this model. We encourage users to consider the common limitations of AI, comply with applicable laws, and leverage best practices when selecting use cases, particularly for high-risk scenarios where errors or misuse could significantly impact people’s lives, rights, or safety. For further guidance on use cases, refer to our AUP and AI AUP.

How to use

For code examples, we refer to the documentation.

Как запустить

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

GPU в ailist

Универсальный рантайм

Можно запустить

Подбираем GPU…

Класс архитектуры
Blip2ForConditionalGeneration
Ревизия весов
fa20c53

0 моделей