/ Модель

Характеристики

Размер весов
17 ГБ
Лицензия
Llama 3
Архитектура
llava · dense
Базовая модель
Mantis-8B-siglip-llama3-pretraind
Опубликована
3 мая 2024

Mantis-8B-siglip-llama3

Изображение и текст → текст6 профессий

Mantis — мультимодальная модель TIGER-Lab на базе LLaMA 3 для ответов на вопросы и рассуждений по одному или нескольким изображениям.

773скачиваний за 30 дней33лайкавеса обновлены15 ноя 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 «Изображение → 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

Mantis — мультимодальная языковая модель TIGER-Lab на базе LLaMA 3, использующая визуальный энкодер SigLIP и архитектуру семейства LLaVA. Она принимает изображения вместе с текстом, в том числе чередующиеся последовательности изображений и текста, и формирует текстовые ответы. Модель предназначена для диалога о визуальном содержимом, особенно для задач с несколькими изображениями: сопоставления, рассуждений, установления связей между объектами и понимания последовательности событий. Также она поддерживает вопросы по одному изображению и показывает результаты, сопоставимые с сильными открытыми моделями в приведённых авторами тестах.

Чекпойнт дообучен на наборе TIGER-Lab/Mantis-Instruct; в репозитории указаны веса Safetensors и лицензия Llama 3. Карточка описывает обучение и оценки на английском языке, но не сообщает размер контекстного окна. Модель требует ресурсов для запуска крупной мультимодальной модели; качество может зависеть от типа изображения и формулировки запроса, а заявленные результаты относятся к бенчмаркам авторов.

Сценарии применения

  • ответы на вопросы по нескольким изображениям
  • сравнение объектов и сцен на разных изображениях
  • рассуждения о связях между изображениями
  • понимание последовательности событий по изображениям
  • визуальные вопросы и ответы по одному изображению

Ограничения

Карточка не указывает длину контекста; модель крупная и требует значительных вычислительных ресурсов для запуска. Заявления о качестве основаны на тестах, приведённых авторами, и не гарантируют одинаковых результатов на иных данных.

Для каких профессий подходит6

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

🔥 Mantis (TMLR 2024)

Paper | Website | Github | Models | Demo | Wandb

Mantis

Summary

  • Mantis is an LLaMA-3 based LMM with interleaved text and image as inputs, train on Mantis-Instruct under academic-level resources (i.e. 36 hours on 16xA100-40G).
  • Mantis is trained to have multi-image skills including co-reference, reasoning, comparing, temporal understanding.
  • Mantis reaches the state-of-the-art performance on five multi-image benchmarks (NLVR2, Q-Bench, BLINK, MVBench, Mantis-Eval), and also maintain a strong single-image performance on par with CogVLM and Emu2.

Multi-Image Performance

ModelsSizeFormatNLVR2Q-BenchMantis-EvalBLINKMVBenchAvg
GPT-4V-sequence88.8076.5262.6751.1443.5064.5
Open Source Models
Random--48.9340.2023.0438.0927.3035.5
Kosmos21.6Bmerge49.0035.1030.4137.5021.6234.7
LLaVA-v1.57Bmerge53.8849.3231.3437.1336.0041.5
LLava-V1.67Bmerge58.8854.8045.6239.5540.9048.0
Qwen-VL-Chat7Bmerge58.7245.9039.1731.1742.1543.4
Fuyu8Bmerge51.1049.1527.1936.5930.2038.8
BLIP-213Bmerge59.4251.2049.7739.4531.4046.2
InstructBLIP13Bmerge60.2644.3045.6242.2432.5045.0
CogVLM17Bmerge58.5853.2045.1641.5437.3047.2
OpenFlamingo9Bsequence36.4119.6012.4439.187.9023.1
Otter-Image9Bsequence49.1517.5014.2936.2615.3026.5
Idefics19Bsequence54.6330.6028.1124.6926.4232.9
VideoLLaVA7Bsequence56.4845.7035.9438.9244.3044.3
Emu2-Chat37Bsequence58.1650.0537.7936.2039.7244.4
Vila8Bsequence76.4545.7051.1539.3049.4052.4
Idefics28Bsequence86.8757.0048.8545.1829.6853.5
Mantis-CLIP8Bsequence84.6666.0055.7647.0648.3060.4
Mantis-SIGLIP8Bsequence87.4369.9059.4546.3550.1562.7
Mantis-Flamingo9Bsequence52.9646.8032.7238.0040.8342.3
Mantis-Idefics28Bsequence89.7175.2057.1449.0551.3864.5
$\Delta$ over SOTA--+2.84+18.20+8.30+3.87+1.98+11.0

Single-Image Performance

ModelSizeTextVQAVQAMMBMMMUOKVQASQAMathVistaAvg
OpenFlamingo9B46.358.032.428.751.445.718.640.2
Idefics19B39.368.845.332.550.451.621.144.1
InstructBLIP7B33.675.238.330.645.270.624.445.4
Yi-VL6B44.872.568.439.151.371.729.753.9
Qwen-VL-Chat7B63.878.261.835.956.668.215.554.3
LLaVA-1.57B58.276.664.835.353.470.425.654.9
Emu2-Chat37B66.684.963.636.364.865.330.758.9
CogVLM17B70.482.365.832.164.865.635.059.4
Idefics28B70.479.175.743.053.586.551.465.7
Mantis-CLIP8B56.473.066.038.153.073.831.756.0
Mantis-SigLIP8B59.274.968.740.155.474.934.458.2
Mantis-Idefics28B63.577.675.741.152.681.340.461.7

How to use

Installation

# This only installs minimum packages (torch, transformers, accelerate) for inference, no redundant packages are installed.
pip install git+https://github.com/TIGER-AI-Lab/Mantis.git

Run example inference:

from mantis.models.mllava import chat_mllava
from PIL import Image
import torch


image1 = "image1.jpg"
image2 = "image2.jpg"
images = [Image.open(image1), Image.open(image2)]

# load processor and model
from mantis.models.mllava import MLlavaProcessor, LlavaForConditionalGeneration
processor = MLlavaProcessor.from_pretrained("TIGER-Lab/Mantis-8B-siglip-llama3")
attn_implementation = None # or "flash_attention_2"
model = LlavaForConditionalGeneration.from_pretrained("TIGER-Lab/Mantis-8B-siglip-llama3", device_map="cuda", torch_dtype=torch.bfloat16, attn_implementation=attn_implementation)

generation_kwargs = {
    "max_new_tokens": 1024,
    "num_beams": 1,
    "do_sample": False
}

# chat
text = "Describe the difference of <image> and <image> as much as you can."
response, history = chat_mllava(text, images, model, processor, **generation_kwargs)

print("USER: ", text)
print("ASSISTANT: ", response)

text = "How many wallets are there in image 1 and image 2 respectively?"
response, history = chat_mllava(text, images, model, processor, history=history, **generation_kwargs)

print("USER: ", text)
print("ASSISTANT: ", response)

"""
USER:  Describe the difference of <image> and <image> as much as you can.
ASSISTANT:  The second image has more variety in terms of colors and designs. While the first image only shows two brown leather pouches, the second image features four different pouches in various colors and designs, including a purple one with a gold coin, a red one with a gold coin, a black one with a gold coin, and a brown one with a gold coin. This variety makes the second image more visually interesting and dynamic.
USER:  How many wallets are there in image 1 and image 2 respectively?
ASSISTANT:  There are two wallets in image 1, and four wallets in image 2.
"""

Training

See mantis/train for details

Evaluation

See mantis/benchmark for details

Please cite our paper or give a star to out Github repo if you find this model useful

Citation

@article{Jiang2024MANTISIM,
  title={MANTIS: Interleaved Multi-Image Instruction Tuning},
  author={Dongfu Jiang and Xuan He and Huaye Zeng and Cong Wei and Max W.F. Ku and Qian Liu and Wenhu Chen},
  journal={Transactions on Machine Learning Research},
  year={2024},
  volume={2024},
  url={https://openreview.net/forum?id=skLtdUVaJa}
}

Как запустить

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

GPU в ailist

Универсальный рантайм

Можно запустить

Подбираем GPU…

Класс архитектуры
LlavaForConditionalGeneration
Ревизия весов
28cc1fd

0 моделей