/ Модель

Характеристики

Контекст
4 096 токенов
Параметры
6,6 млрд
Размер весов
14,1 ГБ
Архитектура
llava · dense
Опубликована
17 июн 2024

table-llava-v1.5-7b

Генерация текстаТекст → текст5 профессий

Мультимодальная модель на базе LLaVA-v1.5 для ответов на вопросы и понимания структуры таблиц по их изображениям.

85скачиваний за 30 дней13лайковвеса обновлены7 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 «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

Table LLaVA 7B — мультимодальный чат-бот для понимания изображений таблиц и выполнения запросов о содержащихся в них данных. Модель разработана для исследования мультимодального понимания таблиц; она следует архитектуре и конвейеру обучения LLaVA-v1.5 и использует визуальный кодировщик CLIP-ViT-L с разрешением 336×336, языковую модель Vicuna-v1.5-7B и двухслойный MLP-соединитель. Размер модели — 6,6 млрд параметров, контекст — 4096 токенов.

Модель принимает изображение таблицы и текстовый запрос, а отвечает текстом. Она предназначена для вопросов и ответов по таблицам, описания ячеек и понимания структуры таблиц. Обучение включало данные MMTab и исходные наборы LLaVA-1.5; заявлены также результаты на некоторых нетабличных задачах, таких как TextVQA. Код и веса опубликованы в репозитории, однако лицензия в предоставленных данных не указана.

Модель рассчитана на исследователей и энтузиастов компьютерного зрения и обработки естественного языка. Она обрабатывает одно изображение таблицы за раз; разрешение 336×336 может ограничивать точность разбора мелких деталей.

Сценарии применения

  • ответы на вопросы по изображению таблицы
  • описание содержимого ячеек таблицы
  • понимание структуры таблицы на изображении
  • генерация текстового описания таблицы
  • визуальные вопросы и ответы по документам с таблицами

Ограничения

Принимает только одно изображение таблицы за раз. Разрешение изображений 336×336 может ограничивать разбор мелкого текста и деталей.

Для каких профессий подходит5

Разделы каталога профессий, в задачах которых используется эта модель

Все профессии

Также подходит для

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

Table LLaVA Model Card

Table LLaVA 7B is an open-source multimodal chatbot for understanding different table images and fulfilling diverse table-related requests, e.g., question answering, table cell description and structure understanding.

See the ACL 2024 paper for more details: Multimodal Table Understanding

Model Details

Model Type: Table LLaVA 7B strictly follows the LLaVA-v1.5 model architecture and training pipeline, with CLIP-ViT-L-336px as visual encoder (336*336 image resolution), Vicuna-v1.5-7B as base LLM and a two-layer MLP as vision-language connector.

It was trained with a two-stage pipeline as LLaVA:

  1. Pre-training: train the vision-language connector with image-caption data and table recognition data.
  2. Instruction tuning: train the vision-language connector and the base LLM with multimodal instruction following data of tabular and non-tabular tasks.

Code Base: We use the official code of LLaVA-v1.5 for model training and inference, and the saved model checkpoint is uploaded to this repository. Thus, Table LLaVA can be used in the same way as the normal LLaVA v1.5 model with its original code.

Model Date: Table-LLaVA 7B was trained in January 2024.

Where to send questions or comments about the model: https://github.com/SpursGoZmy/Table-LLaVA/issues

Training dataset

The training data includes original LLaVA-1.5 data and specially constructed multimodal instruction-following data from the MMTab dataset, which is a large-scale dataset covering a wide range of table images and table-related tasks.

Training StageData DescriptionData SizeHugging Face Dataset
Pre-training558K original LLaVA-1.5 pre-training data558Kblip_laion_cc_sbu_558k.json
150K table recognition data150KMMTab-pre_pretrain_data_llava_format_150K.json
Instruction Fine-tuning665K original LLaVA-1.5 fine-tuning data665Kllava_v1_5_mix665k.json
232K multimodal instruction tuning data of 14 tabular tasks232KMMTab-instruct_sft_data_llava_format_232K.json

We also provide the merged pre-training and instruction fine-tuning data in the MMTab dataset, i.e., enhanced_llava_pretrain_data_708K.json and enhanced_llava_sft_data_898K.json, which was used to train Table LLaVA.

Evaluation dataset

A collection of 17 held-in and 7 held-out tabular benchmarks, including 15 table-related tasks, e.g., table question answering and table2text generation. We also evaluate Table LLaVA on two non-tabular benchmarks: TextVQA and llava-bench-in-the-wild.

License

Table LLaVA is based on LLaVA-1.5 and thus follows its license. Llama 2 is licensed under the LLAMA 2 Community License, Copyright (c) Meta Platforms, Inc. All Rights Reserved.

Intended use

Primary intended uses: The primary use of Table LLaVA is research on large multimodal models and chatbots, especially for multimodal table understanding.

Primary intended users: The primary intended users of the model are researchers and hobbyists in computer vision, natural language processing, machine learning, and artificial intelligence.

Limitations

Table LLaVA takes one table image as the model input. Digesting multiple table images would be valuable to support more application scenarios. Though the proposed Table-LLaVA demonstrates great performance on a wide range of table-based tasks, the resolution of input images (336*336) is relatively low and may limit the upper bound of its capacity. Luckily, with the emergence of MLLMs which possess higher input image resolution (e.g., Monkey (Li et al., 2023d), LLaVA-Next (Liu et al., 2024)), researchers can use MMTab to develop more powerful tabular MLLM in the future research.

Как запустить

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

GPU в ailist

Универсальный рантайм

Можно запустить

Подбираем GPU…

Класс архитектуры
LlavaLlamaForCausalLM
Ревизия весов
d4234fc

0 моделей