/ Модель

Характеристики

Контекст
8 192 токена
Параметры
7,5 млрд
Размер весов
17 ГБ
Архитектура
mixsense_llama · dense
Опубликована
27 июн 2024

Llama-3-MixSense

Генерация текстаТекст → текст4 профессии

Мультимодальная модель на основе Llama 3 и SigLIP для генерации ответов и текста с учётом изображений.

239скачиваний за 30 дней0лайковвеса обновлены27 июн 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

Llama-3-MixSense — мультимодальная модель семейства MixSense от Zero-Vision, построенная по архитектуре «визуальный энкодер — проектор — языковая модель». В качестве языковой части используется Meta Llama 3, а изображения обрабатывает визуальный энкодер SigLIP 400M. Веса опубликованы в формате safetensors; модель содержит 7,5 млрд параметров и рассчитана на контекст до 8192 токенов.

Модель предназначена для генерации текста с учётом изображений: например, для ответов на вопросы о визуальном содержимом и описания изображений. Разработчики сообщают об обучении на переработанном наборе данных и методе подготовки данных, который призван снизить стоимость обучения и повысить его эффективность; подробности о данных и исследованиях обещаны отдельно. В карточке приведены демо и интеграция для оценки через VLMEvalKit.

Языковая основа — Llama 3, однако конкретные поддерживаемые естественные языки в карточке не перечислены. Использование требует совместимого стека Transformers и зависимостей из README. Условия лицензии в предоставленных данных не указаны.

Сценарии применения

  • ответы на вопросы о содержимом изображения
  • описание изображений на естественном языке
  • извлечение визуальных деталей по текстовому запросу

Ограничения

Карточка не уточняет поддерживаемые языки, состав обучающих данных и условия лицензии; подробности об обучении обещаны позднее. Для использования требуются совместимые версии Transformers и перечисленные в README зависимости.

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

Introduction

MixSense is a series of models based on the widely adopted vision encoder-projector-LLM architecture. In this resource, we release Llama-3-MixSense checkpoint,which is Built with Meta Llama 3 as the text encoder,and SigLIP 400M as the vision encoder . We have developed an innovative data processing method that complements the training process, reducing training costs while improving training effectiveness.,The models are trained on our restructured dataset. Details of the data organization and related research papers will be available soon.

QuickStart

Requirements

conda create -n mixsense python==3.10 -y
conda activate mixsense
pip install torch transformers==4.37.2 accelerate pillow

Usage

Llama-3-Mixsense/demo.py

import torch
import transformers
from transformers import AutoModelForCausalLM, AutoTokenizer
from PIL import Image
import warnings
import os


# disable some warnings
transformers.logging.set_verbosity_error()
transformers.logging.disable_progress_bar()
warnings.filterwarnings("ignore")

# set device
device = "cuda"  # or cpu

# create model
model = AutoModelForCausalLM.from_pretrained(
    "Zero-Vision/Llama-3-MixSense",
    torch_dtype=torch.float16,  # float32 for cpu
    device_map="auto",
    trust_remote_code=True,
)
tokenizer = AutoTokenizer.from_pretrained(
    "Zero-Vision/Llama-3-MixSense",
    trust_remote_code=True,
)

qs = "describe the image detailly."
input_ids = model.text_process(qs, tokenizer).to(device)

image = Image.open("example.jpg")
image_tensor = model.image_process([image]).to(dtype=model.dtype, device=device)

# generate
with torch.inference_mode():
    output_ids = model.generate(
        input_ids,
        images=image_tensor,
        max_new_tokens=2048,
        use_cache=True,
        eos_token_id=[
            tokenizer.eos_token_id,
            tokenizer.convert_tokens_to_ids(["<|eot_id|>"])[0],
        ],
    )

print(tokenizer.batch_decode(output_ids, skip_special_tokens=True)[0].strip())

Eval

We offer Llama-3-Mixsense/llama3mixsense.py for VLMEvalKit.

License

This project utilizes certain datasets and checkpoints that are subject to their respective original licenses. Users must comply with all terms and conditions of these original licenses.including but not limited to Llama3 and SigLIP. Meta Llama 3 is licensed under the Meta Llama 3 Community License, Copyright © Meta Platforms, Inc. All Rights Reserved. And Apache LICENSE 2.0 for SigLIP model. The project itself is licensed under the Apache LICENSE 2.0 .

Acknowledgement

Our code is largely borrowed from LLaVA We bulid this demo according to bunny

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
MixsenseLlamaForCausalLM
Ревизия весов
5192214

0 моделей