/ Модель

Характеристики

Контекст
2 048 токенов
Лицензия
Apache 2.0
Архитектура
tinyllava · dense
Опубликована
21 июл 2024

TinyLLaVA-Qwen2-0.5B-SigLIP

Изображение и текст → текст3 профессии

Компактная мультимодальная модель TinyLLaVA с Qwen2 и SigLIP отвечает на текстовые вопросы по изображениям.

293скачиваний за 30 дней8лайковвеса обновлены10 авг 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

TinyLLaVA-Qwen2-0.5B-SigLIP — компактная мультимодальная модель семейства TinyLLaVA, обученная с помощью кодовой базы TinyLLaVA Factory. В языковой части используется Qwen2-0.5B, а для обработки изображений — SigLIP SO400M с патчами 14×14 и разрешением 384 пикселя. Модель принимает изображения и текстовые запросы и формирует текстовые ответы в диалоговом режиме.

Модель предназначена для визуальных вопросов и ответов, описания изображений и других задач, где нужно связать содержимое изображения с текстовым запросом. В README приведены результаты оценки на наборах VQAv2, GQA, SQA, TextVQA, MM-VET, POPE и MME, но данных для оценки качества в конкретном пользовательском сценарии недостаточно. Репозиторий распространяется под лицензией Apache-2.0. Ограничения по языкам, длине контекста и применению в конкретных областях в предоставленных данных не описаны.

Сценарии применения

  • ответы на вопросы о содержимом изображения
  • описание изображений по запросу
  • визуальный диалог с изображением
  • извлечение и интерпретация текста на изображении

Ограничения

Результаты в README приведены только для выбранных бенчмарков и не гарантируют качество в пользовательских сценариях. Данные о поддерживаемых языках и длине контекста не приведены.

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

TinyLLaVA

arXivGithubDemo

Here, we introduce TinyLLaVA-Qwen2-0.5B-SigLIP , which is trained by the TinyLLaVA Factory codebase. For LLM and vision tower, we choose Qwen2-0.5B and siglip-so400m-patch14-384, respectively.

Usage

Execute the following test code:

from tinyllava.eval.run_tiny_llava import eval_model

model_path = 'Zhang199/TinyLLaVA-Qwen2-0.5B-SigLIP'
prompt = "What are the things I should be cautious about when I visit here?"
image_file = "https://llava-vl.github.io/static/images/view.jpg"
conv_mode = "qwen2_base" # or llama, gemma, etc

args = type('Args', (), {
    "model_path": model_path,
    "model": None,
    "query": prompt,
    "conv_mode": conv_mode,
    "image_file": image_file,
    "sep": ",",
    "temperature": 0,
    "top_p": None,
    "num_beams": 1,
    "max_new_tokens": 512
})()

eval_model(args)

Result

model_namevqav2gqasqatextvqaMM-VETPOPEMMEMMMU
LLaVA-1.5-7B78.562.066.858.230.585.91510.7-
bczhou/TinyLLaVA-3.1B (our legacy model)79.962.069.159.132.086.41464.9-
tinyllava/TinyLLaVA-Gemma-SigLIP-2.4B78.461.664.453.626.986.41339.031.7
tinyllava/TinyLLaVA-Phi-2-SigLIP-3.1B80.162.173.060.337.587.21466.438.4
Zhang199/TinyLLaVA-Qwen2-0.5B-SigLIP72.3355.8460.1445.1719.586.59115329.7

P.S. TinyLLaVA Factory is an open-source modular codebase for small-scale LMMs with a focus on simplicity of code implementations, extensibility of new features, and reproducibility of training results. This code repository provides standard training&evaluating pipelines, flexible data preprocessing&model configurations, and easily extensible architectures. Users can customize their own LMMs with minimal coding effort and less coding mistake.

TinyLLaVA Factory integrates a suite of cutting-edge models and methods.

  • LLM currently supports OpenELM, TinyLlama, StableLM, Qwen, Gemma, Phi, and Qwen2.
  • Vision tower currently supports CLIP, SigLIP, Dino, and combination of CLIP and Dino.
  • Connector currently supports MLP, Qformer, and Resampler.

Как запустить

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

GPU в ailist

Универсальный рантайм

Нельзя запустить

Архитектура tinyllava неизвестна transformers в образе рантайма.

Класс архитектуры
TinyLlavaForConditionalGeneration
Ревизия весов
f8282ca

0 моделей