/ Модель

Характеристики

Контекст
131 072 токена
Размер весов
16,5 ГБ
Лицензия
Apache 2.0
Базовая модель
clip-vit-large-patch14-336
Опубликована
15 окт 2024

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

Генерация текстаТекст → текст6 профессий

POINTS — мультимодальная чат-модель WeChat AI на базе Qwen2.5-7B для ответов на вопросы и диалога по изображениям.

26скачиваний за 30 дней6лайковвеса обновлены15 окт 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-Qwen-2.5-7B-Chat — чат-модель для работы с изображениями и текстом, разработанная командой WeChat AI. Она объединяет языковую модель Qwen2.5-7B-Instruct и визуальный энкодер CLIP ViT-L/14 с разрешением 336 пикселей; архитектура репозитория обозначена как POINTSChatModel. Модель предназначена для диалогов по изображениям, визуальных вопросов и ответов, а также генерации текста по текстовому запросу. В карточке описаны слияние моделей, динамическая обработка изображений высокого разрешения, фильтрация данных предобучения по perplexity и объединение дообученных моделей методом model soup.

Для POINTS приведены результаты на MMBench-dev-en, MathVista и HallucinationBench; например, указаны оценки 83,2, 63,1 и 46,0 соответственно. Метаданные отмечают поддержку английского языка, чат-возможности и интерфейс вызова инструментов. Модель распространяется по лицензии Apache-2.0.

Сценарии применения

  • ответы на вопросы об изображениях
  • визуальный диалог с описанием содержимого изображения
  • решение математических задач по изображению
  • оценка визуальных сцен и объектов
  • генерация текста на основе изображения и запроса

Ограничения

В README приведены отдельные бенчмарк-оценки, но они не гарантируют качество на произвольных изображениях и запросах. Данные описывают английский вариант бенчмарка MMBench-dev-en.

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

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

Introduction

We are excited to announce the first version of POINTS, which integrates recent advancement in vision-language model and new techniques proposed by researchers from WeChat AI.

What's new in POINTS?

Key Innovations

  1. Strong Baseline: We integrate the most recent advancement in vision-language model, i.e., CapFusion, Dual Vision Encoder, and Dynamic High Resolution, into POINTS.

  2. Pre-training Dataset Filtering: We propose to filter the pre-training dataset using perplexity as a metric. Utilizing this filtering strategy, we can significantly reduce the size of the pre-training dataset and improve the performance of the model.

  3. Model Soup: We propose to apply model soup to models, fine-tuned with different visual instruction tuning datasets, which can further significantly improve the performance of the model.

How to use POINTS?

from transformers import AutoModelForCausalLM, AutoTokenizer
from transformers import CLIPImageProcessor
from PIL import Image
import torch
import requests
from io import BytesIO


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)
prompt = 'please describe the image in detail'
model_path = 'WePOINTS/POINTS-Qwen-2-5-7B-Chat'
tokenizer = AutoTokenizer.from_pretrained(model_path)
model = AutoModelForCausalLM.from_pretrained(
    model_path, trust_remote_code=True, device_map='cuda').to(torch.bfloat16)
image_processor = CLIPImageProcessor.from_pretrained(model_path)
generation_config = {
    'max_new_tokens': 1024,
    'temperature': 0.0,
    'top_p': 0.0,
    'num_beams': 1,
}
res = model.chat(
    pil_image,
    prompt,
    tokenizer,
    image_processor,
    True,
    generation_config
)
print(res)

Evaluation

BenchmarkInternVL2-8BLLaVA-OneVisionPOINTS
MMBench-dev-en-80.883.2
MathVista58.362.363.1
HallucinationBench45.031.646.0
OCRBench79.462.272.0
AI2D83.682.480.9
MMVet54.351.952.3
MMStar61.561.961.0
MMMU51.247.949.4
ScienceQA97.195.4-
MME2215.11993.62195.2
RealWorldQA64.269.967.3
LLaVA-Wild73.381.071.1

Citation

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

@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
POINTSChatModel
Ревизия весов
2818011

0 моделей