/ Модель

Характеристики

Контекст
512 токенов
Размер весов
98,5 ГБ
Лицензия
MIT
Архитектура
instructblip · dense
Опубликована
3 июн 2023

instructblip-flan-t5-xxl

Изображение и текст → текст3 профессии

InstructBLIP на базе Flan-T5-xxl отвечает на текстовые вопросы об изображениях и формирует их описания.

212скачиваний за 30 дней21лайквеса 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 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

Salesforce/instructblip-flan-t5-xxl — мультимодальная модель InstructBLIP, разработанная Salesforce и представленная в исследовании Dai и соавторов. Она сочетает визуальную часть BLIP-2 с языковой моделью Flan-T5-xxl и настроена следовать инструкциям о содержимом изображения. Модель принимает изображение вместе с текстовым запросом и формирует текстовый ответ, например описание или ответ на вопрос об изображении.

Модель подходит для визуальных вопросов и ответов, описания изображений и других сценариев взаимодействия с изображением на естественном языке. В метаданных указан английский язык. Весовые файлы доступны в форматах PyTorch и Safetensors; лицензия — MIT. Авторы рекомендуют оценивать точность, безопасность и справедливость модели перед применением: она не оценивалась для всех возможных сценариев, а ошибки особенно важны в высокорисковых областях.

Сценарии применения

  • ответы на вопросы о содержимом изображения
  • создание описаний изображений по запросу
  • извлечение визуальных сведений из изображения в диалоге

Ограничения

Точность, безопасность и справедливость модели не оценивались для всех возможных сценариев; перед применением её следует проверить на целевой задаче. Особенно важно учитывать риск ошибок в высокорисковых областях.

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

InstructBLIP model

InstructBLIP model using Flan-T5-xxl as language model. InstructBLIP was introduced in the paper InstructBLIP: Towards General-purpose Vision-Language Models with Instruction Tuning by Dai et al.

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

Model description

InstructBLIP is a visual instruction tuned version of BLIP-2. Refer to the paper for details.

InstructBLIP architecture

Intended uses & limitations

Usage is as follows:

from transformers import InstructBlipProcessor, InstructBlipForConditionalGeneration
import torch
from PIL import Image
import requests

model = InstructBlipForConditionalGeneration.from_pretrained("Salesforce/instructblip-flan-t5-xxl")
processor = InstructBlipProcessor.from_pretrained("Salesforce/instructblip-flan-t5-xxl")

device = "cuda" if torch.cuda.is_available() else "cpu"
model.to(device)

url = "https://raw.githubusercontent.com/salesforce/LAVIS/main/docs/_static/Confusing-Pictures.jpg"
image = Image.open(requests.get(url, stream=True).raw).convert("RGB")
prompt = "What is unusual about this image?"
inputs = processor(images=image, text=prompt, return_tensors="pt").to(device)

outputs = model.generate(
        **inputs,
        do_sample=False,
        num_beams=5,
        max_length=256,
        min_length=1,
        top_p=0.9,
        repetition_penalty=1.5,
        length_penalty=1.0,
        temperature=1,
)
generated_text = processor.batch_decode(outputs, skip_special_tokens=True)[0].strip()
print(generated_text)

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
InstructBlipForConditionalGeneration
Ревизия весов
1bdf70e

0 моделей