/ Модель

Характеристики

Контекст
32 768 токенов
Параметры
7,1 млрд
Размер весов
16,1 ГБ
Лицензия
Apache 2.0
Архитектура
qwen2 · dense
Базовая модель
MAmmoTH-VL-8B
Библиотека
transformers
Опубликована
8 мар 2025

MAmmoTH-VL2

Генерация текстаТекст → текст3 профессии

MAmmoTH-VL2 — мультимодальная модель TIGER-Lab для диалоговых ответов на вопросы об изображениях и выполнения визуальных инструкций.

91скачиваний за 30 дней13лайковвеса обновлены7 мая 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

MAmmoTH-VL2 — мультимодальная модель TIGER-Lab для диалоговой работы с изображениями и текстом. Она дообучена на MAmmoTH-VL/MAmmoTH-VL-8B с использованием набора данных VisualWebInstruct и предназначена для ответов на вопросы по изображениям и выполнения визуальных инструкций. Архитектура — плотная Qwen2 с классом LlavaQwenForCausalLM; модель содержит 7,1 млрд параметров, принимает текст и изображения и генерирует текст. Длина контекста — 32 768 токенов.

Модель подходит для анализа изображений в диалоге, визуального вопросно-ответного поиска и описания содержимого изображений. В метаданных указан английский язык. Для запуска README приводит требования llava==1.7.0.dev0 и torch==2.5.1. Модель распространяется по лицензии Apache-2.0.

Сценарии применения

  • ответы на вопросы о содержимом изображения
  • описание объектов и сцен на изображении
  • выполнение текстовых инструкций с опорой на изображение

Ограничения

Указание английского языка в метаданных ограничивает подтверждённую языковую поддержку; характеристики качества и ограничения по типам изображений в карточке не описаны.

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

Introduction

MAmmoTH-VL2, the model trained with VisualWebInstruct.

Links

Github| Paper| Website| Demo

Example Usage

Requirements

llava==1.7.0.dev0 # pip install git+https://github.com/LLaVA-VL/LLaVA-NeXT.git
torch==2.5.1

To perform inference using MAmmoTH-VL2, you can use the following code snippet:

from llava.model.builder import load_pretrained_model
from llava.mm_utils import process_images
from llava.constants import DEFAULT_IMAGE_TOKEN
from llava.conversation import conv_templates

from PIL import Image
import requests
import copy
import torch

# Load MAmmoTH-VL2 model
pretrained = "TIGER-Lab/MAmmoTH-VL2"
model_name = "llava_qwen"
device = "cuda:3"  # Specify a single GPU
device_map = {"": device}

# Load model
tokenizer, model, image_processor, max_length = load_pretrained_model(
    pretrained, 
    None, 
    model_name, 
    device_map=device_map,
    multimodal=True
)
model.eval()
model = model.to(device)

# Load image
image_url = "https://raw.githubusercontent.com/jymmmmm/VISUALWEBINSTRUCT/main/image.png"
image = Image.open(requests.get(image_url, stream=True).raw).convert('RGB')
images = [image]
image_sizes = [[image.size[0], image.size[1]]]

# Prepare prompt
prompt = "In the picture shown below, prove ΔWXY and ΔZWY are similar. Please conclude your answer as Answer: xxx at the end if possible."

# Set up conversation template

conv_template = "qwen_2_5"
conv = copy.deepcopy(conv_templates[conv_template])

# Add question with image
question = DEFAULT_IMAGE_TOKEN + "\n" + prompt
conv.append_message(conv.roles[0], question)
conv.append_message(conv.roles[1], None)
prompt_question = conv.get_prompt()

# Prepare model inputs
inputs = tokenizer(
    prompt_question, 
    return_tensors="pt",
    padding=True,
    truncation=True,
    max_length=max_length
)
input_ids = inputs.input_ids.to(device)
attention_mask = inputs.attention_mask.to(device)

# Process image
image_tensor = process_images(images, image_processor, model.config)
if isinstance(image_tensor, list):
    image_tensor = [img.to(dtype=torch.float16, device=device) for img in image_tensor]
else:
    image_tensor = image_tensor.to(dtype=torch.float16, device=device)

# Generate response
with torch.no_grad():
    outputs = model.generate(
        input_ids,
        attention_mask=attention_mask,
        images=image_tensor,
        image_sizes=image_sizes,
        do_sample=False,
        temperature=0,
        max_new_tokens=512,
    )

# Decode response
input_token_len = input_ids.shape[1]
response = tokenizer.batch_decode(outputs[:, input_token_len:], skip_special_tokens=True)[0]
print("Response:", response)

Citation

@article{visualwebinstruct,
    title={VisualWebInstruct: Scaling up Multimodal Instruction Data through Web Search},
    author = {Jia, Yiming and Li, Jiachen and Yue, Xiang and Li, Bo and Nie, Ping and Zou, Kai and Chen, Wenhu},
    journal={arXiv preprint arXiv:2503.10582},
    year={2025}
}

Как запустить

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

GPU в ailist

Универсальный рантайм · transformers

Можно запустить

Подбираем GPU…

Класс архитектуры
LlavaQwenForCausalLM
Ревизия весов
c6b8460

0 моделей