/ Модель

Характеристики

Контекст
32 768 токенов
Параметры
7,1 млрд
Размер весов
16,1 ГБ
Лицензия
Apache 2.0
Архитектура
llava_qwen2 · dense
Базовая модель
Qwen2.5-7B-Instruct
Опубликована
21 ноя 2024

Insight-V-Summary

Генерация текстаТекст → текст3 профессии

Дообученная на Qwen2.5-7B-Instruct модель для диалоговой генерации текста и многоэтапных визуальных рассуждений.

26скачиваний за 30 дней9лайковвеса обновлены22 ноя 2024

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

THUdyh/Insight-V-Summary — модель на 7,1 млрд параметров, дообученная на основе Qwen/Qwen2.5-7B-Instruct. Она использует архитектуру LlavaQwen2ForCausalLM и предназначена для диалоговой генерации текста и визуальных рассуждений с разложением задачи на этапы рассуждения и суммирования. В обучении использована смесь из 1,2 млн пар изображение–текст; контекстное окно составляет 32 768 токенов.

В README также описаны конвейер генерации данных для сложных рассуждений и двухэтапное обучение визуальным задачам. Модель поддерживает английский и китайский языки и распространяется под лицензией Apache-2.0. README указывает на визуальные возможности, однако метаданные классифицируют основную задачу как text-generation; конкретные показатели качества и ограничения не приведены.

Сценарии применения

  • диалоговые ответы на английском и китайском
  • генерация текстовых ответов по визуальным задачам
  • разложение визуального вопроса на этапы рассуждения
  • суммирование результатов визуального анализа

Ограничения

Показатели качества и сравнительные результаты в карточке не приведены. Хотя README описывает визуальные возможности, метаданные указывают text-generation как задачу модели.

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

Insight-V-Summary

Model Summary

The Insight-V models are 7B parameter models based on Qwen2.5 language model with a context window of 32K tokens.

Insight-V offers 1) a scalable data generation pipeline for long-chain, high-quality reasoning data, 2) a multi-agent system that decomposes visual reasoning tasks into reasoning and summarization, and 3) a two-stage training pipeline to enhance visual reasoning capabilities. Together, these contributions address key challenges in visual reasoning, providing a solid foundation for future research in MLLM reasoning.

Model Architecture

  • Architecture: Pre-trained Oryx-ViT + Qwen2.5-7B
  • Data: a mixture of 1.2M image-text data
  • Precision: BFloat16

Hardware & Software

  • Hardware: 64 * NVIDIA Tesla A100
  • Orchestration: HuggingFace Trainer
  • Code: Pytorch

Citation

Как запустить

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

GPU в ailist

Универсальный рантайм

Нельзя запустить

Архитектура llava_qwen2 неизвестна transformers в образе рантайма.

Класс архитектуры
LlavaQwen2ForCausalLM
Ревизия весов
9f2f2ee

0 моделей