/ Модель

Характеристики

Контекст
131 072 токена
Лицензия
CC BY-NC 4.0
Базовая модель
siglip-so400m-patch14-384
Опубликована
12 мар 2025

AKI-4B-phi-3.5-mini

Изображение и текст → текст3 профессии

AKI-4B — мультимодальная модель Sony для диалога, ответов на вопросы и распознавания текста по изображениям.

117скачиваний за 30 дней27лайковвеса обновлены17 мар 2025

Бенчмарки

Как модель справилась с задачами пользователей ailist и что о ней публикуют открытые лидерборды

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

AKI-4B — мультимодальная модель Sony для диалога по изображениям. В её составе визуальный энкодер SigLIP SoViT-400m, соединитель Perceiver Resampler и языковой декодер Phi-3.5-mini-instruct; согласно названию, модель относится к классу 4B. Она использует механизм modality-mutual attention, который позволяет изображениям учитывать текстовый контекст без добавления параметров модели.

Модель предназначена для ответов на вопросы об изображениях, описания сцен, визуального рассуждения и распознавания текста на изображениях. В README приведены результаты на наборах тестов для визуальных вопросов, OCR и других задач понимания изображений. Для общения рекомендуется формат чата. Модель разработана в рамках исследовательской работы «Seeing is Understanding: Unlocking Causal Attention into Modality-Mutual Attention for Multimodal LLMs».

Релиз предназначен для исследований. Авторы предупреждают, что модель не оценивалась для всех прикладных сценариев и советуют отдельно проверять точность, безопасность и справедливость перед развёртыванием. Лицензия — CC BY-NC 4.0, которая ограничивает коммерческое использование.

Сценарии применения

  • описание содержимого изображения
  • ответы на вопросы об изображениях
  • распознавание текста на изображениях
  • визуальное рассуждение по изображению и текстовому запросу

Ограничения

Модель не оценивалась для всех прикладных сценариев, поэтому перед использованием следует проверять её точность, безопасность и справедливость; авторы позиционируют релиз для исследований. Лицензия CC BY-NC 4.0 ограничивает коммерческое использование.

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

AKI Model Card

AKI is the official checkpoint for the paper "Seeing is Understanding: Unlocking Causal Attention into Modality-Mutual Attention for Multimodal LLMs". AKI is a multimodal foundation model that unlocks causal attention in the LLM into modality-mutual attention (MMA), which enables the earlier modality (images) to incorporate information from the latter modality (text) for addressing vision-language misalignment without introducing additional parameters and increasing training time.

Model Details

Model Descriptions

Model Sources

How to Use

Input Format

Given the nature of the training data, the AKI model is best suited for prompts using the chat format as follows:

<|system|>
A chat between a curious user and an artificial intelligence assistant. The assistant gives helpful, detailed, and polite answers to the user's questions.<|end|>
<|user|>
<image>
Describe the scene of this image.
<|end|>
<|assistant|>

The image captures a beautiful autumn day in a park, with a pathway covered in a vibrant carpet of fallen leaves. The leaves are in various shades of red, orange, yellow, and brown, creating a warm and colorful atmosphere. The path is lined with trees displaying beautiful autumn foliage, adding to the picturesque setting. ...

Inference Example

Please refer to the notebook for the zero-shot inference. To build a local demo website, please refer to local_demo.py.

For the training scripts, please refer to the GitHub repo.

Evaluation Results

Main Comparisons with the Same Configurations (Table 1)

MMEPMMECMMBSEEDILLaVAWMMMUMathVminiPOPEMM-VetRealWorldQACV-Bench2DCV-Bench3D
(I&T)PT + (I&T)SFT1226.3258.264.964.147.031.124.279.824.350.645.254.3
CCA [Xing et al., 2024]1212.7243.667.465.354.034.625.681.929.052.756.062.8
(w/o T&I)PT1046.3226.431.745.138.127.223.865.017.240.153.254.8
(w/o I&T)PT1013.2208.632.043.337.927.722.470.420.639.555.453.0
(w/o T&I)SFT1194.8289.358.561.140.228.021.979.022.847.841.463.0
(w/o I&T)SFT1166.2264.358.460.836.926.723.176.820.446.943.361.2
DOT (Ours)1267.8251.443.854.747.530.725.682.725.050.552.258.1
MMA (Ours)1363.7315.471.867.159.637.326.482.730.252.357.864.1
Improvements10.9%29.5%4.3%2.8%10.4%7.8%3.1%1%4.1%-3.2%2.1%

AKI-4B (Table 2)

MMEPMMECMMBSEEDILLaVAWMMMUMathVminiPOPEMM-VetRealWorldQACV-Bench2DCV-Bench3D
AKI-4B1491.9362.973.169.474.638.732.186.940.858.962.171.8

Ethical Considerations

Note: This section is mainly taken from the xgen-mm models.

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.

License

Our code and weights are released under the CC-BY-NC 4.0 license.

The copyrights of the pre-training and finetuning data remain with the original data owner.

Citations

@misc{wywang2025AKI,
      title={Seeing is Understanding: Unlocking Causal Attention into Modality-Mutual Attention for Multimodal LLMs}, 
      author={Wei-Yao Wang and Zhao Wang and Helen Suzuki and Yoshiyuki Kobayashi},
      year={2025},
      eprint={2503.02597},
      archivePrefix={arXiv},
      primaryClass={cs.CV},
      url={https://arxiv.org/abs/2503.02597}, 
}

Как запустить

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

GPU в ailist

Универсальный рантайм

Нельзя запустить

Архитектура ? неизвестна transformers в образе рантайма.

Ревизия весов
b699709

0 моделей