/ Модель

Характеристики

Контекст
4 096 токенов
Параметры
6,6 млрд
Размер весов
15,9 ГБ
Архитектура
llava · dense
Опубликована
5 дек 2023

llama-vid-7b-full-224-long-video

Генерация текстаТекст → текст3 профессии

LLaMA-VID — мультимодальный чат-бот на базе LLaMA/Vicuna для ответов на вопросы по изображениям и длинным видео.

100скачиваний за 30 дней17лайковвеса обновлены5 дек 2023

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 «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

LLaMA-VID — открытый мультимодальный чат-бот Yanwei Li и соавторов, созданный дообучением LLaMA/Vicuna на инструкционных данных с изображениями и видео; репозиторий построен на LLaVA. Эта версия содержит 6,6 млрд параметров, использует архитектуру LlavaLlamaAttForCausalLM и веса PyTorch. Модель предназначена для диалога и ответов на вопросы по визуальному содержимому, включая понимание длинных видео; авторы заявляют поддержку видео длительностью до часа с дополнительным контекстным токеном. Указанное в метаданных нативное окно контекста — 4096 токенов.

В обучении использовались данные LLaVA-1.5, WebVid, ActivityNet и Long VideoQA, включая пары изображение–текст, мультимодальные инструкции и вопросы с ответами по видео. Модель ориентирована прежде всего на исследования мультимодальных моделей и чат-ботов, а также на экспериментальное использование в компьютерном зрении и NLP. Лицензия в предоставленных данных не указана.

Сценарии применения

  • ответы на вопросы о содержании видео
  • суммаризация длинных видеороликов
  • поиск событий и действий в видео по вопросу
  • диалог по изображению
  • создание описаний видеосцен

Ограничения

Модель заявлена прежде всего для исследований; качество ответов и надёжность на длинных видео могут зависеть от входных данных и используемого фреймворка. В предоставленных сведениях не указана лицензия.

Для каких профессий подходит3

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

LLaMA-VID Model Card

Model details

LLaMA-VID empowers existing frameworks to support hour-long videos and pushes their upper limit with an extra context token.

Model type: LLaMA-VID is an open-source chatbot trained by fine-tuning LLaMA/Vicuna on GPT-generated multimodal instruction-following data. LLaMA-VID empowers existing frameworks to support hour-long videos and pushes their upper limit with an extra context token. We build this repo based on LLaVA.

Model date: llama-vid-7b-full-224-long-video was trained on 11/2023.

License

Llama 2 is licensed under the LLAMA 2 Community License, Copyright (c) Meta Platforms, Inc. All Rights Reserved.

Where to send questions or comments about the model: https://github.com/dvlab-research/LLaMA-VID/issues

Intended use

Primary intended uses: The primary use of LLaMA-VID is research on large multimodal models and chatbots.

Primary intended users: The primary intended users of the model are researchers and hobbyists in computer vision, natural language processing, machine learning, and artificial intelligence.

Training data

This model is trained based on image data from LLaVA-1.5 dataset, and video data from WebVid and ActivityNet datasets, including

  • 558K filtered image-text pairs from LAION/CC/SBU, captioned by BLIP.
  • 158K GPT-generated multimodal instruction-following data.
  • 450K academic-task-oriented VQA data mixture.
  • 40K ShareGPT data.
  • 232K video-caption pairs sampled from the WebVid 2.5M dataset.
  • 98K videos from ActivityNet with QA pairs from Video-ChatGPT.
  • 15K video QA pairs from our Long VideoQA dataset.

Как запустить

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

GPU в ailist

Универсальный рантайм

Можно запустить

Подбираем GPU…

Класс архитектуры
LlavaLlamaAttForCausalLM
Ревизия весов
fc21887

0 моделей