/ Модель

Характеристики

Контекст
4 096 токенов
Размер весов
17,4 ГБ
Лицензия
Apache 2.0
Архитектура
xgenmm · dense
Опубликована
12 авг 2024

xgen-mm-phi3-mini-base-r-v1.5

Изображение и текст → текст4 профессии

Базовая мультимодальная модель Salesforce для понимания изображений и генерации текста по визуальному и текстовому контексту.

135скачиваний 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

xGen-MM-phi3-mini-base-r-v1.5 — базовая большая мультимодальная модель, разработанная Salesforce AI Research. Она продолжает разработки серии BLIP и обучалась на наборах данных для создания подписей к изображениям и на данных с чередованием изображений и текста. Модель принимает изображения вместе с текстом и генерирует текст; карточка относит её к архитектуре xGenMM и указывает поддержку диалогового взаимодействия и зрения.

Базовая версия предназначена для мультимодального обучения в контексте и оценки по задачам понимания изображений, включая визуальные вопросы и ответы, чтение текста на изображениях и генерацию описаний. В README приведены результаты few-shot-оценки без дообучения на инструкциях. Модель выпущена для исследовательских целей под лицензией Apache 2.0. Данные из интернета и вклад базовых языковых моделей могут приводить к смещениям; точность, безопасность и справедливость следует оценивать для конкретного применения.

Сценарии применения

  • ответы на вопросы об изображениях
  • чтение текста на изображениях
  • создание подписей и описаний изображений
  • few-shot-оценка мультимодальных задач
  • обучение мультимодальных моделей на чередующихся данных изображений и текста

Ограничения

Обучающие данные из интернета и вклад базовых языковых моделей могут вносить смещения; качество, безопасность и справедливость для конкретных сценариев требуют оценки. Выпуск предназначен для исследований, модель не оценивалась для всех вариантов применения.

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

Model description

xGen-MM is a series of the latest foundational Large Multimodal Models (LMMs) developed by Salesforce AI Research. This series advances upon the successful designs of the BLIP series, incorporating fundamental enhancements that ensure a more robust and superior foundation. These models have been trained at scale on high-quality image caption datasets and interleaved image-text data.

In the v1.5 (08/2024) release, we present a series of XGen-MM models including:

For more details, check out our tech report, fine-tuning code, and project page (coming soon).

Results

Few-shot Evaluation on Base model (without instruction tuning)

ModelShotVQAv2TextVQAOKVQACOCONoCapsTextCaps
Flamingo-3B049.230.141.273.0--
453.232.743.385.0--
855.432.444.690.6--
MM1-3B046.229.426.173.555.663.3
457.945.344.6112.399.784.1
863.644.648.4114.6104.788.8
xGen-MM-base043.134.028.067.282.669.5
466.354.248.9107.6100.889.9
866.955.350.1109.8104.694.0

Showcases of In-Context Learning

Below are some qualitative examples of the multi-modal in-context learning capacity of our base model.

How to use

Please check out our inference notebook for example code to use our model.

Reproducibility:

The pretraining evaluation is implemented based on OpenFlamingo: An open-source framework for training large multimodal models.. Few-shot examples are randomly drawn so there will be some variance with different random seeds.

Bias, Risks, Limitations, and Ethical Considerations

The main data sources are from the internet, including webpages, image stock sites, and curated datasets released by the research community. We have excluded certain data, such as LAION, due to known CSAM concerns. The model may be subject to bias from the original data source, as well as bias from LLMs and commercial APIs. We strongly recommend users assess safety and fairness before applying to downstream applications.

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.

License

Our code and weights are released under the Apache 2.0 license.

Code acknowledgment

Our training code is based on OpenFlamingo: An open-source framework for training large multimodal models., and part of our data preprocessing code is adapted from LLaVA. Our evaluation code is based on VLMEvalKit: Open-source evaluation toolkit of large vision-language models (LVLMs).

We thank the authors for their open-source implementations.

Citation

@misc{blip3-xgenmm,
  author          = {Le Xue, Manli Shu, Anas Awadalla, Jun Wang, An Yan, Senthil Purushwalkam, Honglu Zhou, Viraj Prabhu, Yutong Dai, Michael S Ryoo, Shrikant Kendre, Jieyu Zhang, Can Qin, Shu Zhang, Chia-Chih Chen, Ning Yu, Juntao Tan, Tulika Manoj Awalgaonkar, Shelby Heinecke, Huan Wang, Yejin Choi, Ludwig Schmidt, Zeyuan Chen, Silvio Savarese, Juan Carlos Niebles, Caiming Xiong, Ran Xu},
  title           = {xGen-MM (BLIP-3): A Family of Open Large Multimodal Models},
  year            = {2024},
  eprint          = {2408.08872},
  archivePrefix   = {arXiv},
  primaryClass    = {cs.CV},
  url             = {https://arxiv.org/abs/2408.08872}, 
}

Troubleshoot

  1. If you missed any packages, please consider the following
pip install torch==2.2.1 torchvision==0.17.1 torchaudio==2.2.1 --index-url https://download.pytorch.org/whl/cu121
pip install open_clip_torch==2.24.0
pip install einops
pip install einops-exts
pip install transformers==4.41.1

Как запустить

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

GPU в ailist

Универсальный рантайм

Можно запустить

Подбираем GPU…

Класс архитектуры
XGenMMModelForConditionalGeneration
Ревизия весов
60168c6

0 моделей