/ Модель

Характеристики

Контекст
32 768 токенов
Параметры
7,1 млрд
Размер весов
15,1 ГБ
Лицензия
Apache 2.0
Архитектура
llava · dense
Библиотека
sglang
Опубликована
19 фев 2024

llava-v1.6-mistral-7b-sglang

Генерация текстаТекст → текст3 профессии

Мультимодальная чат-модель LLaVA на базе Mistral-7B отвечает на вопросы об изображениях и выполняет визуальные инструкции, с поддержкой инференса через SGLang.

22скачиваний за 30 дней9лайковвеса обновлены7 мар 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 «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

SurfaceData/llava-v1.6-mistral-7b-sglang — форк LLaVA-v1.6-Mistral-7B, адаптированный для инференса с SGLang; в README указано, что других изменений не вносили. Это плотная авторегрессионная мультимодальная модель на архитектуре Transformer с классом LlavaLlamaForCausalLM и 7,1 млрд параметров. Базовая языковая модель — mistralai/Mistral-7B-Instruct-v0.2; модель разработана на основе LLaVA, обученной в декабре 2023 года.

Модель предназначена для диалогов по изображениям и выполнения мультимодальных инструкций: например, для ответов на визуальные вопросы, описания изображений и решения задач компьютерного зрения на естественном языке. Она принимает текст и изображения и формирует текстовые ответы. Максимальная длина контекста — 32 768 токенов. В README перечислены обучающие данные с подписями к изображениям, мультимодальными инструкциями, наборами VQA и диалогами ShareGPT.

README позиционирует LLaVA прежде всего для исследований мультимодальных моделей и чат-ботов, а также для работы исследователей и энтузиастов в компьютерном зрении и машинном обучении. Репозиторий содержит веса safetensors и опубликован по лицензии Apache-2.0. Форк заявлен как совместимый с SGLang для инференса.

Сценарии применения

  • ответы на вопросы о содержимом изображений
  • описание фотографий и иллюстраций
  • решение академических задач визуального вопросно-ответного поиска
  • диалог по изображению с выполнением инструкций
  • инференс мультимодальной модели через SGLang

Ограничения

README ориентирует модель прежде всего на исследования и эксперименты; отдельных ограничений качества или безопасности в карточке не приведено.

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

Inference Preparation

This is a fork of liuhaotian/llava-v1.6-mistral-7b to be fully compatible for inference with SGLang. No other changes were made.

LLaVA Model Card

Model details

Model type: LLaVA is an open-source chatbot trained by fine-tuning LLM on multimodal instruction-following data. It is an auto-regressive language model, based on the transformer architecture. Base LLM: mistralai/Mistral-7B-Instruct-v0.2

Model date: LLaVA-v1.6-Mistral-7B was trained in December 2023.

Paper or resources for more information: https://llava-vl.github.io/

License

mistralai/Mistral-7B-Instruct-v0.2 license.

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

Intended use

Primary intended uses: The primary use of LLaVA is research on large multimodal models and chatbots.

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.

Training dataset

  • 558K filtered image-text pairs from LAION/CC/SBU, captioned by BLIP.
  • 158K GPT-generated multimodal instruction-following data.
  • 500K academic-task-oriented VQA data mixture.
  • 50K GPT-4V data mixture.
  • 40K ShareGPT data.

Evaluation dataset

A collection of 12 benchmarks, including 5 academic VQA benchmarks and 7 recent benchmarks specifically proposed for instruction-following LMMs.

Как запустить

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

GPU в ailist

Универсальный рантайм · sglang

Можно запустить

Подбираем GPU…

Класс архитектуры
LlavaLlamaForCausalLM
Ревизия весов
7740c63

0 моделей