/ Модель

Характеристики

Контекст
131 072 токена
Размер весов
16,7 ГБ
Лицензия
Apache 2.0
Базовая модель
Qwen2.5-7B-Instruct
Опубликована
2 дек 2024

POINTS-1-5-Qwen-2-5-7B-Chat

Генерация текстаТекст → текст8 профессий

Двуязычная визуально-языковая модель WeChat AI для диалога по изображениям, распознавания текста и ответов на вопросы о визуальном содержимом.

101скачиваний за 30 дней26лайковвеса обновлены16 дек 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

POINTS-1.5-Qwen-2.5-7B-Chat — двуязычная визуально-языковая модель WeChat AI, дообученная на базе Qwen/Qwen2.5-7B-Instruct. Она предназначена для диалогов по изображениям и генерации текстовых ответов: понимает изображения высокого разрешения, отвечает на вопросы по их содержимому и поддерживает сценарии распознавания текста на изображении. В README указаны английский и китайский языки; среди обучающих данных есть наборы для OCR и общего визуального диалога.

В модели используется визуальный энкодер в стиле NaViT, который обрабатывает изображения разных разрешений без разбиения на фрагменты. README также сообщает о применении техники model soup и приводит результаты на MMBench, MMStar и MMMU. Модель опубликована в формате safetensors по лицензии Apache-2.0. Метаданные каталога указывают чат и интерфейс вызова инструментов; фактические результаты и надёжность этих возможностей зависят от сценария применения.

Сценарии применения

  • ответы на вопросы о содержимом изображения
  • извлечение текста с изображений и документов
  • описание изображений на английском и китайском
  • визуальный диалог по загруженному изображению
  • анализ изображений для мультимодальных бенчмарков

Ограничения

Поддерживаются английский и китайский; другие языки в README не заявлены. Приведённые в карточке результаты относятся к указанным бенчмаркам и сами по себе не гарантируют качество на других данных и задачах.

Для каких профессий подходит8

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

POINTS-1-5-Qwen-2-5-7B-Chat

Introduction

We are excited to release the latest update of WePOINTS series, namely POINTS1.5, a much stronger model than POINTS and integrating recent advancement in vision-language model and new techniques proposed by researchers from WeChat AI. Notably, POINTS-1-5-Qwen-2-5-7B-Chat ranks first on the OpenCompass leaderboard among all models under 10B.

What's new in POINTS1.5?

Key Innovations

  1. Native Dynamic High Resolution: In line with the recent trend in vision-language models, we have replaced the original CLIP vision encoder with a NaViT-style vision encoder. This new encoder can process images at various resolutions without the need for splitting.

  2. Bilingual Support: Most of the pre-training and visual instruction tuning datasets in POINTS are in English. In this update, we have added support for Chinese, with plans to include more languages in the future. For the pre-training stage, we followed the strategy proposed by POINTS and created an additional 1 million Chinese pre-training datasets. For the visual instruction tuning stage, we supplemented the original English dataset used in POINTS with a series of Chinese visual instruction tuning datasets sourced from the open-source community. We also collected images and generated corresponding textual question-and-answer pairs using a combination of manual and automated methods. These visual instruction tuning datasets cover various domains, such as optical character recognition and general conversation.

  3. Quality Control: We conducted a series of quality control tests on both the pre-training and visual instruction tuning datasets. For instance, we filtered the pre-training dataset using perplexity, following the strategy proposed in POINTS. For the visual instruction tuning datasets, we implemented a combination of filtering strategies, such as removing samples with grammatical errors.

  4. Model Soup: In line with POINTS, we also applied model soup techniques to further enhance performance.

Prepare the environment

pip install torch>=2.4.1
pip install transformers>=4.46.3
git clone https://github.com/WePOINTS/WePOINTS.git
cd WePOINTS
pip install -e .

How to use POINTS1.5?

from transformers import AutoModelForCausalLM, AutoTokenizer
from wepoints.utils.images import Qwen2ImageProcessorForPOINTSV15
import torch
from PIL import Image
import requests
from io import BytesIO


model_path = 'WePOINTS/POINTS-1-5-Qwen-2-5-7B-Chat'
model = AutoModelForCausalLM.from_pretrained(model_path,
                                                 trust_remote_code=True,
                                                 torch_dtype=torch.float16,
                                                 device_map='cuda') 
tokenizer = AutoTokenizer.from_pretrained(model_path, trust_remote_code=True)
image_processor = Qwen2ImageProcessorForPOINTSV15.from_pretrained(model_path)


image_url = 'https://github.com/user-attachments/assets/83258e94-5d61-48ef-a87f-80dd9d895524'
response = requests.get(image_url)
image_data = BytesIO(response.content)
pil_image = Image.open(image_data)
pil_image = pil_image.save('image.jpg')
prompt = 'please describe the image in detail'

content = [
        dict(type='image', image='image.jpg'),
        dict(type='text', text=prompt)
    ]
messages = [
        {
            'role': 'user',
            'content': content
        }
    ]
generation_config = {
        'max_new_tokens': 1024,
        'temperature': 0.0,
        'top_p': 0.0,
        'num_beams': 1,
    }
response = model.chat(
    messages,
    tokenizer,
    image_processor,
    generation_config
)
print(response)

Evaluation

BenchmarkQwen2-VL-7BPOINTS-7BPOINTS1.5-7B
MMBench-TEST-avg81.078.080.7
MMStar60.760.961.1
MMMU53.751.453.8
MathVista61.463.066.4
HallucinationBench50.445.650.0
AI2D83.081.281.4
OCRBench84.371.782.3
MMVet61.847.962.2
Average67.062.567.4

All results are taken from OpenCompass

License Agreement

All of our open-source models are licensed under the Apache-2.0 license.

Citation

If you find our work helpful, feel free to cite us:

@article{liu2024points1,
  title={POINTS1. 5: Building a Vision-Language Model towards Real World Applications},
  author={Liu, Yuan and Tian, Le and Zhou, Xiao and Gao, Xinyu and Yu, Kavio and Yu, Yang and Zhou, Jie},
  journal={arXiv preprint arXiv:2412.08443},
  year={2024}
}

@article{liu2024points,
  title={POINTS: Improving Your Vision-language Model with Affordable Strategies},
  author={Liu, Yuan and Zhao, Zhongyin and Zhuang, Ziyuan and Tian, Le and Zhou, Xiao and Zhou, Jie},
  journal={arXiv preprint arXiv:2409.04828},
  year={2024}
}

@article{liu2024rethinking,
  title={Rethinking Overlooked Aspects in Vision-Language Models},
  author={Liu, Yuan and Tian, Le and Zhou, Xiao and Zhou, Jie},
  journal={arXiv preprint arXiv:2405.11850},
  year={2024}
}

Как запустить

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

GPU в ailist

Универсальный рантайм

Нельзя запустить

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

Класс архитектуры
POINTSV15ChatModel
Ревизия весов
3421416

0 моделей