/ Модель

Характеристики

Контекст
4 096 токенов
Параметры
6,6 млрд
Размер весов
15 ГБ
Архитектура
llava_llama · dense
Базовая модель
vicuna-7b-v1.5
Библиотека
transformers
Опубликована
26 ноя 2024

LLaVA-UHD-v2-Vicuna-7B

Генерация текстаТекст → текст3 профессии

Мультимодальная модель LLaVA-UHD v2 на базе Vicuna 7B отвечает на вопросы и ведёт диалог по изображениям, в том числе высокого разрешения.

35скачиваний за 30 дней6лайковвеса обновлены31 мар 2025

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

LLaVA-UHD v2 Vicuna 7B — мультимодальная модель для диалога по изображениям, разработанная на основе Vicuna 7B и визуального энкодера CLIP. Архитектура LLaVA с иерархическим оконным трансформером строит и объединяет пирамиду визуальных признаков, чтобы обрабатывать изображения с разной детализацией, включая изображения высокого разрешения. В репозитории около 6,6 млрд параметров; модель использует Transformers и формат safetensors, а длина контекста составляет 4096 токенов.

Модель предназначена для исследовательской работы и экспериментов с мультимодальными моделями и чат-ботами. Она принимает изображения и текстовые запросы и генерирует текстовые ответы: например, описывает содержимое изображения, отвечает на вопросы о нём и поддерживает визуальный диалог. Обучение включало данные MS-COCO, LLaVA-Pretrain и смешанный набор для дообучения. Поддерживаемые языки в карточке явно не перечислены. Базовые компоненты объединены в модель; указанные в метаданных базовые репозитории — lmsys/vicuna-7b-v1.5 и openai/clip-vit-large-patch14-336. Лицензия в предоставленных данных не указана.

Сценарии применения

  • ответы на вопросы о содержимом изображения
  • описание объектов и сцен на изображении
  • визуальный диалог по загруженной фотографии
  • анализ деталей на изображениях высокого разрешения

Ограничения

Карточка позиционирует модель для исследований и экспериментов; подтверждённые языки использования не перечислены. Контекст ограничен 4096 токенами.

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

LLaVA-UHD v2 Model Card

Model details

Model type: LLaVA-UHD v2, an advanced MLLM centered around a Hierarchical window transformer that enables capturing diverse visual granularity by constructing and integrating a high resolution feature pyramid.

Model date: LLaVA-UHD v2 was trained in November 2024.

Base LLM Model: lmsys/vicuna-7b-v1.5

Paper or resources for more information: https://github.com/thunlp/LLaVA-UHD

License

LLaVA-UHD v2 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/thunlp/LLaVA-UHD/issues

Intended use

Primary intended uses: The primary use of LLaVA-UHD v2 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 dataset

Citation

If you find LLaVA-UHD v2 useful for your research and applications, please cite using this BibTeX:

@article{zhang2024llavauhdv2,
  title={LLaVA-UHD v2: an MLLM Integrating High-Resolution Feature Pyramid via Hierarchical Window Transformer},
  author={Yipeng Zhang and Yifan Liu and Zonghao Guo and Yidan Zhang and Xuesong Yang and Chi Chen and Jun Song and Bo Zheng and Yuan Yao and Zhiyuan Liu and Tat-Seng Chua and Maosong Sun},
  journal={arXiv preprint arXiv:2412.13871},
  year={2024}
}

Как запустить

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

GPU в ailist

Универсальный рантайм · transformers

Нельзя запустить

Архитектура llava_llama неизвестна transformers в образе рантайма.

Класс архитектуры
LlavaLlamaForCausalLM
Ревизия весов
4582168

0 моделей