/ Модель

Характеристики

Контекст
32 768 токенов
Параметры
7,1 млрд
Размер весов
16,1 ГБ
Лицензия
CC BY-NC 4.0
Архитектура
qwen2 · dense
Базовая модель
llava-onevision-qwen2-7b-mid-stage-a4
Опубликована
4 дек 2024

qwen2-siglip-llava-ov-taco-7b

Генерация текстаТекст → текст4 профессии

TACO — мультимодальная Qwen2-модель для многошаговых ответов на вопросы по изображениям с использованием внешних инструментов.

33скачиваний за 30 дней6лайковвеса обновлены20 дек 2024

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 «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

TACO — мультимодальная модель действий, разработанная авторами работы «TACO: Learning Multi-modal Action Models with Synthetic Chains-of-Thought-and-Action». Это дообученная модель на 7,1 млрд параметров на основе lmms-lab/llava-onevision-qwen2-7b-mid-stage-a4, с архитектурой Qwen2 и интерфейсом чата. Она предназначена для ответов на сложные многошаговые вопросы по изображениям: модель формирует последовательность рассуждений и действий, может вызывать внешние инструменты, включая OCR, оценку глубины и калькулятор, а затем объединяет результаты в ответ. Контекст составляет 32 768 токенов; веса опубликованы в формате safetensors.

В описании проекта сообщается об улучшении среднего результата на восьми бенчмарках на 3,6% относительно базовой модели с настройкой инструкций и о приросте до 15% на задачах MMVet, связанных с OCR, математикой и пространственным рассуждением. Для выполнения действий необходима соответствующая интеграция внешних инструментов. Модель распространяется по лицензии CC BY-NC 4.0, допускающей некоммерческое использование с соблюдением её условий.

Сценарии применения

  • ответы на вопросы по изображениям с несколькими этапами рассуждения
  • извлечение текста с изображений с помощью OCR
  • пространственное рассуждение по визуальным сценам
  • решение математических вопросов по изображениям с калькулятором
  • объединение результатов визуальных инструментов в связный ответ

Ограничения

Для выполнения промежуточных действий требуется подключение внешних инструментов, например OCR, оценки глубины и калькулятора. Лицензия CC BY-NC 4.0 ограничивает использование некоммерческими целями и требует соблюдения условий лицензии.

Для каких профессий подходит4

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

🌮 TACO: Learning Multi-modal Action Models with Synthetic Chains-of-Thought-and-Action

Model description

We introduce TACO as a family of multi-modal large action models designed to improve performance on such complex, multi-step and multi-modal tasks. During inference, TACO produces chains-of-thought-and–action (CoTA), executes intermediate steps by invoking external tools such as OCR, depth estimation and calculator, then integrates both the thoughts and action outputs to produce coherent responses. Our TACO models outperform the instruction-tuned baseline across 8 benchmarks, achieving a 3.6% improvement on average, with gains up to 15% in MMVet tasks involving OCR, mathematical reasoning and spatial reasoning.

Usage

See our Github repository.

Intended uses & limitations

This model is intended to be used on complex, multi-step and multi-modal question answering tasks. It is trained to answer visual questions with some of the following 15 actions:OCR, LocalizeObjects, GetObjects, EstimateRegionDepth, EstimateObjectDepth, Crop, ZoomIn, QueryLanguageModel, GetImageToImagesSimilarity, GetImageToTextsSimilarity, GetTextToImagesSimilarity, DetectFaces, QueryKnowledgeBase, Calculate, and SolveMathEquation. Additionally, the Terminate action is also supported for the model to provide a final answer.

For other types of tasks that don't benefit from the actions above, you might need to train a new model or further finetune it with other actions.

Training and evaluation data

See our paper for details.

Training procedure and hyperparameters

See our paper for details.

Training results

See our paper for details.

License information

This release is for research purposes only in support of an academic paper. This repository is licensed under the noncommercial license CC-BY-NC 4.0.

Citation

Please cite us if you find our repository helpful. Thank you!

@misc{ma2024tacolearningmultimodalaction,
      title={TACO: Learning Multi-modal Action Models with Synthetic Chains-of-Thought-and-Action}, 
      author={Zixian Ma and Jianguo Zhang and Zhiwei Liu and Jieyu Zhang and Juntao Tan and Manli Shu and Juan Carlos Niebles and Shelby Heinecke and Huan Wang and Caiming Xiong and Ranjay Krishna and Silvio Savarese},
      year={2024},
      eprint={2412.05479},
      archivePrefix={arXiv},
      primaryClass={cs.CV},
      url={https://arxiv.org/abs/2412.05479}, 
}

Как запустить

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

GPU в ailist

Универсальный рантайм

Можно запустить

Подбираем GPU…

Класс архитектуры
LlavaQwenForCausalLM
Ревизия весов
2ae931e

0 моделей