/ Модель

Характеристики

Контекст
131 072 токена
Размер весов
42,7 ГБ
Лицензия
Apache 2.0
Архитектура
mllama · dense
Базовая модель
Llama-3.2-11B-Vision-Instruct
Библиотека
transformers
Опубликована
19 ноя 2024

Llama-3.2V-11B-cot

Изображение и текст → текст4 профессии

Мультимодальная модель на базе Llama 3.2 Vision для ответов на вопросы по изображениям и пошаговых визуальных рассуждений.

811скачиваний за 30 дней158лайковвеса обновлены16 ноя 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 «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 оценки6

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

  • MUSR

    MUSR Raw · выше — лучше

    Результат

    0,4159

    Open LLM v2 · архив

    Публичная таблицадругая ревизия

  • BBH

    BBH Raw · выше — лучше

    Результат

    0,4959

    Open LLM v2 · архив

    Публичная таблицадругая ревизия

  • GPQA

    GPQA Raw · выше — лучше

    Результат

    0,2953

    Open LLM v2 · архив

    Публичная таблицадругая ревизия

  • MMLU-PRO

    MMLU-PRO Raw · выше — лучше

    Результат

    0,3587

    Open LLM v2 · архив

    Публичная таблицадругая ревизия

  • MATH Lvl 5

    MATH Lvl 5 Raw · выше — лучше

    Результат

    0,1556

    Open LLM v2 · архив

    Публичная таблицадругая ревизия

  • IFEval

    IFEval Raw · выше — лучше

    Результат

    0,4158

    Open LLM v2 · архив

    Публичная таблицадругая ревизия

Что умеет модель

Описание составлено по карточке модели и метаданным Hugging Face

Llama-3.2V-11B-cot — мультимодальная модель для работы с изображениями и текстом, созданная на основе Meta Llama 3.2 11B Vision Instruct и дообученная автором Xkev на наборе LLaVA-CoT-100k. Модель предназначена для диалогов, ответов на вопросы об изображениях и пошаговых визуальных рассуждений.

Модель использует архитектуру mllama и содержит 11 млрд параметров. Она принимает изображения и текстовые запросы и генерирует текстовые ответы; в карточке указана поддержка английского языка. Для воспроизведения результатов автор рекомендует параметры генерации с выборкой и ограничение ответа до 2048 новых токенов. В бенчмарках приведены результаты на MMStar, MMBench, MMVet, MathVista, AI2D и Hallusion.

Модель распространяется по лицензии Apache-2.0; README также требует соблюдать политику допустимого использования Meta для базовой Llama 3.2. Среди ограничений отмечены возможная генерация предвзятого или оскорбительного контента и недостаточный по сравнению с ведущими промышленными моделями уровень следования инструкциям.

Сценарии применения

  • ответы на вопросы по изображению
  • пошаговое объяснение визуальных задач
  • анализ диаграмм и учебных иллюстраций
  • визуальные диалоги на английском языке

Ограничения

Модель может выдавать предвзятый или оскорбительный контент, а следование инструкциям уступает ведущим промышленным моделям. Для базовой Llama 3.2 требуется соблюдать Acceptable Use Policy Meta.

Для каких профессий подходит4

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

Model Card for Model ID

Llama-3.2V-11B-cot is a visual language model capable of spontaneous, systematic reasoning.

The model was proposed in LLaVA-CoT: Let Vision Language Models Reason Step-by-Step.

Our model is built upon meta-llama/Llama-3.2-11B-Vision-Instruct. Llama 3.2 is licensed under the LLaMA 3.2 Community License, Copyright © Meta Platforms, Inc. The use of our model must comply with Meta’s Acceptable Use Policy.

Model Details

  • License: apache-2.0
  • Finetuned from model: meta-llama/Llama-3.2-11B-Vision-Instruct

Code: https://github.com/PKU-YuanGroup/LLaVA-CoT

Benchmark Results

MMStarMMBenchMMVetMathVistaAI2DHallusionAverage
57.675.060.354.885.747.863.5

Reproduction

To reproduce our results, you should use VLMEvalKit and the following settings.

ParameterValue
do_sampleTrue
temperature0.6
top_p0.9
max_new_tokens2048

You may change them in this file, line 80-83, and modify the max_new_tokens throughout the file.

Note: We follow the same settings as Llama-3.2-11B-Vision-Instruct, except that we extend the max_new_tokens to 2048.

After you get the results, you should filter the model output and only keep the outputs between <CONCLUSION> and </CONCLUSION>.

This shouldn't have any difference in theory, but empirically we observe some performance difference because the jugder GPT-4o can be inaccurate sometimes.

By keeping the outputs between <CONCLUSION> and </CONCLUSION>, most answers can be direclty extracted using VLMEvalKit system, which can be much less biased.

How to Get Started with the Model

You can use the inference code for Llama-3.2-11B-Vision-Instruct.

Training Details

Training Data

The model is trained on the LLaVA-CoT-100k dataset.

Training Procedure

The model is finetuned on llama-recipes with the following settings. Using the same setting should accurately reproduce our results.

ParameterValue
FSDPenabled
lr1e-5
num_epochs3
batch_size_training4
use_fast_kernelsTrue
run_validationFalse
batching_strategypadding
context_length4096
gradient_accumulation_steps1
gradient_clippingFalse
gradient_clipping_threshold1.0
weight_decay0.0
gamma0.85
seed42
use_fp16False
mixed_precisionTrue

Bias, Risks, and Limitations

The model may generate biased or offensive content, similar to other VLMs, due to limitations in the training data. Technically, the model's performance in aspects like instruction following still falls short of leading industry models.

Как запустить

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

GPU в ailist

Универсальный рантайм · transformers

Можно запустить

Подбираем GPU…

Класс архитектуры
MllamaForConditionalGeneration
Ревизия весов
e8c2529

0 моделей