/ Модель

Характеристики

Контекст
4 096 токенов
Параметры
3,7 млрд
Размер весов
16,6 ГБ
Лицензия
Apache 2.0
Архитектура
phi3_v · dense
Базовая модель
Phi-3.5-vision-instruct
Библиотека
transformers
Опубликована
8 окт 2024

VLM2Vec-Full

Генерация текстаТекст → текст9 профессий

Дообученная на базе Phi-3.5 Vision мультимодальная модель TIGER-Lab для получения эмбеддингов текста и изображений и решения задач сопоставления.

139 тыс.скачиваний за 30 дней29лайковвеса обновлены7 апр 2025

Бенчмарки

Как модель справилась с задачами пользователей ailist и что о ней публикуют открытые лидерборды

Публичные оценки32

Из открытых лидербордов. Сравнивайте результаты одного теста при одинаковых условиях — отсутствие оценки не значит, что модель хуже.

  • FGVCAircraft

    main_score

    Результат

    0,2202

    MTEB

    Публичная таблицадругая ревизия

  • Caltech101ZeroShot

    main_score

    Результат

    0,7924

    MTEB

    Публичная таблицадругая ревизия

  • ROxfordMediumI2IRetrieval

    main_score

    Результат

    0,0953

    MTEB

    Публичная таблицадругая ревизия

  • XM3600T2IRetrieval

    main_score

    Результат

    0,0088

    Общий результат 0,4476Общий результат 0,3817Общий результат 0,2949
    MTEB

    Публичная таблицадругая ревизия

  • NIGHTSI2IRetrieval

    main_score

    Результат

    0,2522

    MTEB

    Публичная таблицадругая ревизия

  • Flickr30kI2TRetrieval

    main_score

    Результат

    0,7447

    MTEB

    Публичная таблицадругая ревизия

  • RParisEasyI2IRetrieval

    main_score

    Результат

    0,0968

    MTEB

    Публичная таблицадругая ревизия

  • STSBenchmarkMultilingualVisualSTS

    main_score

    Результат

    0,5868

    Общий результат 0,7086Общий результат 0,6579Общий результат 0,5263
    MTEB

    Публичная таблицадругая ревизия

  • VisualSTS17Eng

    main_score

    Результат

    0,8372

    MTEB

    Публичная таблицадругая ревизия

  • VisualNewsI2TRetrieval

    main_score

    Результат

    0,1143

    MTEB

    Публичная таблицадругая ревизия

  • XFlickr30kCoT2IRetrieval

    main_score

    Результат

    0,483

    Общий результат 0,6888
    MTEB

    Публичная таблицадругая ревизия

  • MemotionT2IRetrieval

    main_score

    Результат

    0,5855

    MTEB

    Публичная таблицадругая ревизия

  • AROCocoOrder

    main_score

    Результат

    0,2227

    MTEB

    Публичная таблицадругая ревизия

  • Food101ZeroShot

    main_score

    Результат

    0,5716

    MTEB

    Публичная таблицадругая ревизия

  • CVBenchRelation

    main_score

    Результат

    0,7169

    MTEB

    Публичная таблицадругая ревизия

  • AROFlickrOrder

    main_score

    Результат

    0,222

    MTEB

    Публичная таблицадругая ревизия

  • SUN397

    main_score

    Результат

    0,7104

    MTEB

    Публичная таблицадругая ревизия

  • WITT2IRetrieval

    main_score

    Результат

    0,1247

    Общий результат 0,336
    MTEB

    Публичная таблицадругая ревизия

  • FER2013ZeroShot

    main_score

    Результат

    0,3222

    MTEB

    Публичная таблицадругая ревизия

  • StanfordCarsZeroShot

    main_score

    Результат

    0,2226

    MTEB

    Публичная таблицадругая ревизия

  • STS17MultilingualVisualSTS

    main_score

    Результат

    0,071

    Общий результат 0,7295
    MTEB

    Публичная таблицадругая ревизия

  • OVENIT2TRetrieval

    main_score

    Результат

    0,0935

    MTEB

    Публичная таблицадругая ревизия

  • VidoreTabfquadRetrieval

    main_score

    Результат

    0,6354

    MTEB

    Публичная таблицадругая ревизия

  • CIFAR100ZeroShot

    main_score

    Результат

    0,5026

    MTEB

    Публичная таблицадругая ревизия

  • RP2kI2IRetrieval

    main_score

    Результат

    0,6168

    MTEB

    Публичная таблицадругая ревизия

  • StanfordCars

    main_score

    Результат

    0,4022

    MTEB

    Публичная таблицадругая ревизия

  • SciMMIRI2TRetrieval

    main_score

    Результат

    0,2436

    MTEB

    Публичная таблицадругая ревизия

  • CIFAR10

    main_score

    Результат

    0,8793

    MTEB

    Публичная таблицадругая ревизия

  • VidoreArxivQARetrieval

    main_score

    Результат

    0,4284

    MTEB

    Публичная таблицадругая ревизия

  • HatefulMemesT2IRetrieval

    main_score

    Результат

    0,4383

    MTEB

    Публичная таблицадругая ревизия

  • CVBenchCount

    main_score

    Результат

    0,6218

    MTEB

    Публичная таблицадругая ревизия

  • VisualNewsT2IRetrieval

    main_score

    Результат

    0,12

    MTEB

    Публичная таблицадругая ревизия

Что умеет модель

Описание составлено по карточке модели и метаданным Hugging Face

TIGER-Lab/VLM2Vec-Full — мультимодальная модель встраиваний, разработанная TIGER-Lab на основе Microsoft Phi-3.5 Vision Instruct. Она дообучена на наборе MMEB-train с контрастивным обучением и предназначена для получения представлений текста и изображений для широкого круга мультимодальных задач поиска и сопоставления. В метаданных указаны архитектура Phi-3.5-V, 3,7 млрд параметров, контекст 4096 токенов и форматы PyTorch и Safetensors.

Модель ориентирована на задачи мультимодальных эмбеддингов; карточка сообщает об оценке на 36 наборах MMEB-eval и превосходстве над прежними базовыми методами, но не приводит сами метрики. Репозиторий распространяется по лицензии Apache-2.0. В карточке Hugging Face pipeline помечен как text-generation, хотя описание проекта указывает на эмбеддинги; для поиска эмбеддингов и оценок релевантности это назначение точнее отражает использование модели.

Сценарии применения

  • поиск изображений по текстовому запросу
  • поиск текста по изображению
  • оценка сходства текста и изображения
  • мультимодальный поиск по коллекции документов и изображений

Ограничения

В карточке не приведены численные результаты оценки, поэтому заявленное превосходство над базовыми методами нельзя количественно проверить по этим данным. Pipeline-метка text-generation не отражает основное назначение модели как модели эмбеддингов.

Для каких профессий подходит9

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

VLM2Vec

This repo contains the code and data for VLM2Vec: Training Vision-Language Models for Massive Multimodal Embedding Tasks. In this paper, we aimed at building a unified multimodal embedding model for any tasks. Our model is based on converting an existing well-trained VLM (Phi-3.5-V) into an embedding model.

We’ve released several VLM2Vec models built on different VLM backbones: https://huggingface.co/collections/TIGER-Lab/vlm2vec-6705f418271d085836e0cdd5

Also, the performance of these models is updated in the README of our GitHub repository: https://github.com/TIGER-AI-Lab/VLM2Vec/blob/main/README.md

Release

Our model is being trained on MMEB-train and evaluated on MMEB-eval with contrastive learning. We only use in-batch negatives for training. Our best results were based on Lora training with batch size of 1024. We also have checkpoint with full training with batch size of 2048. Our results on 36 evaluation datasets are:

Train/Eval Data

VLM2Vec Checkpoints

Github

Experimental Results

Our model can outperform the existing baselines by a huge margin.

How to use VLM2Vec

First you can clone our github

git clone https://github.com/TIGER-AI-Lab/VLM2Vec.git
pip -r requirements.txt

Then you can enter the directory to run the following command.

from src.model import MMEBModel
from src.arguments import ModelArguments
from src.utils import load_processor
import torch
from transformers import HfArgumentParser, AutoProcessor
from PIL import Image
import numpy as np

model_args = ModelArguments(
    model_name='TIGER-Lab/VLM2Vec-Full',
    pooling='last',
    normalize=True,
    model_backbone='phi3_v',
    num_crops=16)

processor = load_processor(model_args)

model = MMEBModel.load(model_args)
model.eval()
model = model.to('cuda', dtype=torch.bfloat16)


# Image + Text -> Text
inputs = processor('<|image_1|> Represent the given image with the following question: What is in the image', [Image.open(
    'figures/example.jpg')])
inputs = {key: value.to('cuda') for key, value in inputs.items()}
qry_output = model(qry=inputs)["qry_reps"]

string = 'A cat and a dog'
inputs = processor(string)
inputs = {key: value.to('cuda') for key, value in inputs.items()}
tgt_output = model(tgt=inputs)["tgt_reps"]
print(string, '=', model.compute_similarity(qry_output, tgt_output))
## A cat and a dog = tensor([[0.3008]], device='cuda:0', dtype=torch.bfloat16)

string = 'A cat and a tiger'
inputs = processor(string)
inputs = {key: value.to('cuda') for key, value in inputs.items()}
tgt_output = model(tgt=inputs)["tgt_reps"]
print(string, '=', model.compute_similarity(qry_output, tgt_output))
## A cat and a tiger = tensor([[0.2051]], device='cuda:0', dtype=torch.bfloat16)

# Text -> Image
inputs = processor('Find me an everyday image that matches the given caption: A cat and a dog.',)
inputs = {key: value.to('cuda') for key, value in inputs.items()}
qry_output = model(qry=inputs)["qry_reps"]

string = '<|image_1|> Represent the given image.'
inputs = processor(string, [Image.open('figures/example.jpg')])
inputs = {key: value.to('cuda') for key, value in inputs.items()}
tgt_output = model(tgt=inputs)["tgt_reps"]
print(string, '=', model.compute_similarity(qry_output, tgt_output))
## <|image_1|> Represent the given image. = tensor([[0.2930]], device='cuda:0', dtype=torch.bfloat16)

inputs = processor('Find me an everyday image that matches the given caption: A cat and a tiger.',)
inputs = {key: value.to('cuda') for key, value in inputs.items()}
qry_output = model(qry=inputs)["qry_reps"]

string = '<|image_1|> Represent the given image.'
inputs = processor(string, [Image.open('figures/example.jpg')])
inputs = {key: value.to('cuda') for key, value in inputs.items()}
tgt_output = model(tgt=inputs)["tgt_reps"]
print(string, '=', model.compute_similarity(qry_output, tgt_output))
## <|image_1|> Represent the given image. = tensor([[0.2012]], device='cuda:0', dtype=torch.bfloat16)

Citation

@article{jiang2024vlm2vec,
  title={VLM2Vec: Training Vision-Language Models for Massive Multimodal Embedding Tasks},
  author={Jiang, Ziyan and Meng, Rui and Yang, Xinyi and Yavuz, Semih and Zhou, Yingbo and Chen, Wenhu},
  journal={arXiv preprint arXiv:2410.05160},
  year={2024}
}

Как запустить

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

GPU в ailist

Универсальный рантайм · transformers

Нельзя запустить

Модели нужен код из репозитория; автор пока не в списке доверенных организаций.

Класс архитектуры
Phi3VForCausalLM
Ревизия весов
a0dcd81

0 моделей