/ Модель

Характеристики

Контекст
32 768 токенов
Размер весов
15,4 ГБ
Лицензия
Своя лицензия
Архитектура
llava_next · dense
Опубликована
22 апр 2024

SeaLMMM-7B-v0.1

Изображение и текст → текст3 профессии

Мультимодальная модель SeaLLMs на 7 млрд параметров для текстовых диалогов и ответов на вопросы по изображениям на английском и языках Юго-Восточной Азии.

17скачиваний за 30 дней5лайковвеса обновлены22 апр 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 «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

SeaLMMM-7B-v0.1 — мультимодальная модель SeaLLMs для текстовых и визуальных диалогов, основанная на SeaLLM-7B-v2 и архитектуре Llava-1.6 (Llava-NEXT). Модель объединяет многоязычные текстовые данные SeaLLM с англоязычными данными для зрения и синтетическими мультиязычными визуальными данными. Это модель с 7 млрд параметров, принимающая текст и изображения и генерирующая текст; заявленное контекстное окно — 32 768 токенов.

Модель предназначена для ответов на вопросы по изображениям и текстовым диалогам, в том числе на языках Юго-Восточной Азии. README отмечает сильные результаты на текстовых задачах и улучшенное понимание изображений на вьетнамском и индонезийском по сравнению с рядом мультимодальных моделей. Основной акцент — текст, затем зрение; мультимодальные возможности лучше работают на английском, а OCR поддерживается только для английского. Многоходовые диалоги с изображениями ограничены. Для доступа к весам и коду требуется соблюдать условия SeaLLMs Terms Of Use; в метаданных указана лицензия other.

Сценарии применения

  • ответы на вопросы о содержимом изображения
  • описание изображений в диалоге
  • решение визуальных задач на вьетнамском и индонезийском
  • многоязычные текстовые диалоги на языках Юго-Восточной Азии
  • чтение английского текста на изображениях

Ограничения

Мультимодальные возможности работают лучше на английском; OCR ограничен английским языком. Поддержка многоходовых диалогов с изображениями ограничена, и иногда модель не распознаёт, что может обрабатывать изображение в таком диалоге.

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

SeaLLM will be able to "see"!

SeaLMMM-7B - Large Multilingual Multimodal Models for Southeast Asia

We introduce and showcase the first iteration of SeaLMMM -- A unified multilingual and multimodal that excel in both text-only and vision tasks in multiple languages spoken in Southeast Asia.

SeaLMMM-7B abilities

  • SeaLMMM-7B is one of the strongest 7B vision-language models at text-only tasks, with performance similar to SeaLLM-7B-v2. It is a text-first-vision-second model.
  • SeaLMMM-7B is able to handle most SEA languages, making it more multilingual than En-only LLava, Bilingual (En+Zh) Qwen-VL or Yi-VL.
  • Unlike LLava or specialized VLMs, which demand only one image at the begining, SeaLMMM-7B can seamlessly handle text-only conversations at the begining and visual instructions in the middle of the conversations and support topic and language switching.
  • SeaLMMM-7B can carry multi-image generation or in-context visual learning, in which case, Better llava next should be applied to enable such feature.

Release and DEMO

Disclaimer: We must note that even though the weights, codes, and demos are released in an open manner, similar to other pre-trained language models, and despite our best efforts in red teaming and safety fine-tuning and enforcement, our models come with potential risks, including but not limited to inaccurate, misleading or potentially harmful generation. Developers and stakeholders should perform their own red teaming and provide related security measures before deployment, and they must abide by and comply with local governance and regulations. In no event shall the authors be held liable for any claim, damages, or other liability arising from the use of the released weights, codes, or demos.

The logo was generated by DALL-E 3.

Overview

SeaLMMM-7B-v0.1 is a multimodal extension of SeaLLM-7B-v2. It adopts the Llava-1.6 (Llava-NEXT) architecture. It is trained by jointly train SeaLLM's multilingual text-only datasets along with Llava-1.5 English-only vision data, as well as in-house synthetically generated multilingual multimodal vision data and open-source data, such as ThaiIDCardSynt.

English Vision QA Tasks

Multimodal ModelsVQA2GQAVizwizSQA-IMGTextQA
Qwen-VL-Chat78.2057.5038.9068.2061.50
Llava-1.5-7b78.5062.0050.0066.8058.20
Llava-1.5-13b80.0063.3053.6071.6061.30
SeaLMMM-7B-v0.180.1461.5858.0071.7963.47

Multilingual Text-only World Knowledge

We evaluate models on 3 benchmarks following the recommended default setups: 5-shot MMLU for En, 3-shot M3Exam (M3e) for En, Zh, Vi, Id, Th.

On text-only benchmarks, SeaLMMM-7B-v0.1 is generally on-par with SeaLLM-7B-v2 - its base LLM model. This demonstrates that our multimodal training regime does not vastly degrade text-only performance.

ModelLangsEnMMLUEnM3eZhM3eViM3eIdM3eThM3e
GPT-3.5Multi68.9075.4660.2058.6449.2737.41
Vistral-7B-chatMono56.8667.0044.5654.3336.4925.27
Qwen1.5-7B-chatMulti61.0052.0781.9643.3824.2920.25
SailorLMMulti52.7259.7667.7450.1439.5337.73
SeaLLM-7B-v2Multi61.8970.9155.4351.1542.2535.52
SeaLLM-7B-v2.5Multi64.0576.8762.5463.1148.6446.86
---
SeaLMMM-7B-v0.1Multi60.3170.4352.7850.4742.3733.53

Multilingual Multimodal Showcases

SeaLMMM-7B-v0.1 has better vision understanding and solving abilities in languages beyond English and Chinese, especially SEA languages, such as Vietnamese and Indonesian.

two_cat.png

Image: find "x" in Vietnamese. Left: Llava-1.6-34B. Right: SeaLMMM-7B-v0.1.

Limitations

  • Despite being multilingual, SeaLMMM-7B-v0.1 multi-modal capabilities still work best in English, while we're working to improve it in other languages.
  • For OCR, it can only read English.
  • SeaLMMM-7B-v0.1 sometimes still think it cannot process image in multi-turn setting, due to existing text-only SFT, future versions fill fix this.
  • Multi-modal multi-turn capabilities are still limited.

Usage

Instruction format

Unlike others, image token is <|image|>

prompt = """<|im_start|>system
You are a helpful assistant.</s>
<|im_start|>user
<|image|>
What is in the image?</s>
<|im_start|>assistant
There is 2 cats in the image.</s>"""

# <|im_start|> is not a special token.
# Transformers chat_template should be consistent with vLLM format below.

# ! ENSURE 1 and only 1 bos `<s>` at the beginning of sequence
print(tokenizer.convert_ids_to_tokens(tokenizer.encode(prompt)))

"""

Acknowledgement to Our Linguists

We would like to express our special thanks to our professional and native linguists, Tantong Champaiboon, Nguyen Ngoc Yen Nhi and Tara Devina Putri, who helped build, evaluate, and fact-check our sampled pretraining and SFT dataset as well as evaluating our models across different aspects, especially safety.

Citation

If you find our project useful, we hope you would kindly star our repo and cite our work as follows: Corresponding Author: l.bing@alibaba-inc.com

Author list and order will change!

  • * and ^ are equal contributions.
@article{damonlpsg2023seallm,
  author = {Xuan-Phi Nguyen*, Wenxuan Zhang*, Xin Li*, Mahani Aljunied*, Weiwen Xu, Hou Pong Chan,
            Zhiqiang Hu, Chenhui Shen^, Yew Ken Chia^, Xingxuan Li, Jianyu Wang,
            Qingyu Tan, Liying Cheng, Guanzheng Chen, Yue Deng, Sen Yang,
            Chaoqun Liu, Hang Zhang, Lidong Bing},
  title = {SeaLLMs - Large Language Models for Southeast Asia},
  year = 2023,
  Eprint = {arXiv:2312.00738},
}

Как запустить

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

GPU в ailist

Универсальный рантайм

Можно запустить

Подбираем GPU…

Класс архитектуры
LlavaNextForConditionalGeneration
Ревизия весов
58843a6

0 моделей