/ Модель

Характеристики

Контекст
4 096 токенов
Размер весов
8,7 ГБ
Лицензия
Apache 2.0
Архитектура
xgenmm · dense
Опубликована
9 авг 2024

xgen-mm-phi3-mini-instruct-interleave-r-v1.5

Изображение и текст → текст3 профессии

Мультимодальная модель Salesforce для ответов на английском языке по одному или нескольким изображениям в диалоговом формате.

478скачиваний за 30 дней59лайковвеса 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 Phi-3 Mini Instruct Interleave v1.5 — мультимодальная модель Salesforce AI Research для диалога по изображениям и тексту. Архитектура XGen-MM объединяет обработку визуальной информации с языковой моделью Phi-3 Mini; модель обучалась на данных для описания изображений и чередующихся последовательностях изображений и текста. Она предназначена для вопросов и ответов по одному или нескольким изображениям и показывает улучшенные результаты относительно xGen-MM-instruct на упомянутых в карточке бенчмарках для таких сценариев.

Модель принимает текст и изображения, отвечает текстом и поддерживает английский язык. Репозиторий содержит веса в формате safetensors; метаданные относят модель к dense-архитектуре и задаче image-text-to-text. Карточка не сообщает длину контекста и число параметров именно этой версии. Лицензия — Apache-2.0. Разработчик ограничивает выпуск исследовательскими целями; возможны ошибки, смещения и риски безопасности, поэтому перед применением следует оценивать точность, безопасность и справедливость модели.

Сценарии применения

  • ответы на вопросы по изображению
  • описание содержимого изображения
  • сопоставление и анализ нескольких изображений
  • визуальный диалог с чередованием текста и изображений

Ограничения

Карточка указывает на возможные смещения из-за обучающих данных, а также на необходимость проверять точность, безопасность и справедливость перед использованием. Модель выпущена для исследовательских целей, а не специально разработана или оценена для всех прикладных сценариев.

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

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.

Results

Single-image benchmarks

Model (Size)SEED -IMGSEED v2MMB (dev)MM StarMME (norm)CVB -2DCVB -3DRealW QAMMMU (val)Math VistaSci QAPOPEText VQAAvg. allAvg. perc.
Closed-source models
GPT-4V*72.0-80.849.763.364.373.856.553.848.282.175.4---
MM1-3B-Chat (3B)68.8-67.8-62.9---33.9--87.4---
Open-source models
HPT-1.5-edge (4B)72.3-74.645.8----42.645.185.491.0---
VILA-1.5-3B (3B)67.9-63.4-----33.3-69.085.9---
VILA-1.5-3B** (3B)67.951.962.440.358.550.160.353.334.130.668.986.958.155.659.1
phi-3-vision (4B)--80.5------44.590.885.870.9--
phi-3-vision** (4B)71.052.774.247.955.360.768.259.146.145.190.283.573.363.663.6
xGen-MM-inst. (4B)71.853.97646.763.866.275.461.642.839.285.687.072.064.866.9
xGen-MM-inst.-interleave (4B)72.255.576.848.164.469.372.360.541.139.688.387.071.065.167.3

* GPT-4V(gpt-4-1106-preview) results are taken from this third-party leaderborad.
** Model results are tested with our evaluation code for a fair comparison.

Multi-image benchmarks

ModelBLINKQBench-2Mantis-eval
GPT-4V †51.173.462.7
VILA-1.5-3B†† (3B)39.851.741.9
xGen-MM-inst. (4B)46.652.442.4
xGen-MM-inst.-interleave (4B)49.775.156.7
† GPT-4V results are the numbers reported in each benchmark's original paper.
†† Model results are tested with our evaluation code for a fair comparison.

Examples

How to use

Please check out our inference notebook for example code to use our model. We also provide an example script for batch inference.

Reproducibility:

Our evaluation is implemented based on open-compass/VLMEvalKit. We will create a PR to that repo to support XGen-MM evaluation.

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.

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. The evaluation code for the instruct models 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

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.

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
6dd0387

0 моделей