/ Модель

Характеристики

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

llama-vid-7b-full-224-video-fps-1

Генерация текстаТекст → текст3 профессии

LLaMA-VID — дообученная мультимодальная чат-модель для вопросов и ответов по изображениям и видео, включая длинные видеозаписи.

22скачиваний за 30 дней9лайковвеса обновлены3 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 — открытая мультимодальная чат-модель, разработанная авторами проекта LLaMA-VID на основе LLaVA и полученная дообучением LLaMA/Vicuna на инструкционных данных, созданных GPT. Вариант llama-vid-7b-full-224-video-fps-1 обучен в ноябре 2023 года; в метаданных указаны архитектура LlavaLlamaAttForCausalLM, 6,6 млрд параметров и контекст 4096 токенов. Модель предназначена для диалога по изображениям и видео, включая видео длительностью до часа.

Обучение использовало данные LLaVA-1.5, включая пары изображение–текст и мультимодальные инструкции, а также подписи и вопросы-ответы по видео из WebVid и ActivityNet. Модель подходит для исследовательских экспериментов с пониманием видео, визуальными вопросами и ответами и мультимодальными чатботами. Карточка указывает исследовательское назначение; лицензия в доступных данных не приведена.

Сценарии применения

  • ответы на вопросы о содержимом видео
  • краткое описание видеороликов
  • поиск событий и действий в длинных видео
  • визуальные вопросы и ответы по изображениям
  • исследования мультимодальных чатботов

Ограничения

Модель предназначена прежде всего для исследований; качество ответов и надёжность для прикладного использования в карточке не охарактеризованы. Лицензия в предоставленных данных не указана.

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-video-fps-1 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 dataset, 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.

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
8054848

0 моделей