/ Модель

Характеристики

Контекст
4 096 токенов
Параметры
12,9 млрд
Размер весов
26,7 ГБ
Архитектура
llava · dense
Опубликована
7 фев 2024

llava-v1.5-13b-dpo

Генерация текстаТекст → текст3 профессии

Мультимодальная модель LLaVA с DPO для ответов на вопросы об изображениях, создания подписей и выполнения инструкций с учётом визуального контекста.

20скачиваний за 30 дней5лайковвеса обновлены13 апр 2024

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

LLaVA-v1.5-13B-DPO — мультимодальная модель на базе архитектуры LLaVA, разработанная Shengzhi Li (TIFIN), Rongyu Lin (KAUST) и Shichao Pei (University of Massachusetts Boston). Модель содержит 12,9 млрд параметров, использует плотную архитектуру LlavaLlamaForCausalLM и рассчитана на контекст до 4096 токенов.

Модель предназначена для задач, где нужно совместно учитывать изображение и текст: ответов на вопросы об изображениях, создания подписей и выполнения мультимодальных инструкций. Для улучшения следования инструкциям применён метод Direct Preference Optimization (DPO) и набор предпочтений для VQA из 6 тысяч примеров. В README сообщается об улучшениях на ряде мультимодальных бенчмарков относительно базовых моделей.

Обучающий набор сравнительно мал, поэтому качество может снижаться на задачах и изображениях, которые слабо представлены в данных или не охвачены оцениванием. Разработчики также отмечают возможные смещения обучающих данных и ограничения при использовании в чувствительных сценариях. Лицензия в предоставленных материалах не указана.

Сценарии применения

  • ответы на вопросы по содержимому изображения
  • создание текстовых подписей к изображениям
  • выполнение инструкций с опорой на изображение
  • оценка и исследование мультимодальных языковых моделей

Ограничения

Обучающий набор предпочтений содержит 6 тысяч примеров, что может ограничивать обобщение на разнообразные мультимодальные задачи. Результаты зависят от сценария и могут быть подвержены смещениям данных.

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

Model Name: llava-v1.5-13b-dpo

[Arxiv paper] [GitHub] [Data] [Model] [Data]

Developers: Shengzhi Li (TIFIN), Rongyu Lin (KAUST), Shichao Pei (University of Massachusetts Boston)
Affiliations: TIFIN, KAUST, University of Massachusetts Boston
Contact Information: alex.li@tifin.com, rongyu.lin@kaust.edu.sa, shichao.pei@umb.edu

Overview

The llava-v1.5-13b-dpo model is designed to enhance the instruction-following capabilities of multi-modal large language models (MLLMs), particularly in scenarios where visual instruction tuning might degrade language proficiency. This model leverages a novel Direct Preference Optimization (DPO) method, along with a curated 6K-entry VQA preference dataset, to achieve superior performance on multi-modal tasks and benchmarks.

Intended Use

  • Primary Applications: This model is intended for tasks requiring the integration of text and image modalities, including but not limited to visual question answering (VQA), image captioning, and multi-modal instruction following.
  • Target Audience: Researchers and practitioners in the fields of natural language processing, computer vision, and multi-modal AI.

Training Data

The MM-LLM-DPO model was trained using a lightweight (6k entries) VQA preference dataset, where answers were annotated for 5 quality metrics in a granular fashion. The dataset was designed to address the diversity and complexity gap typically observed in VQA datasets.

Evaluation

The model demonstrates significant improvements over baseline models like Vicuna and LLaVA on various benchmarks:

  • MT-Bench: Achieved a score of 6.73, surpassing Vicuna's 6.57 and LLaVA's 5.99.
  • Visual Instruction Performance: Recorded a +4.9% improvement on MM-Vet and +6% on LLaVA-Bench.
Model NameMM-VetLLaVA-benchPoPeMM-BenchMT-benchAlpacaEval
Vicuna-1.5-13b [16]----6.5781.4
LLaVA-1.5-13b [10]36.373.10.85967.45.9979.3
LLaVA-RLHF-13b [23]37.276.80.86960.16.1881.0
Standard SFT36.563.70.85065.45.0150.2
SteerLM35.267.00.87865.15.7068.8
Rejection-sampling38.070.60.88367.66.2274.9
llava-v1.5-13b-dpo41.279.10.87066.86.7386.4

*We applied the last four Standard sft, SteerLM, Rejection Sampling and DPO, and found DPO to be most performant

Ethical Considerations

This model was developed with a focus on mitigating modality conflict and catastrophic forgetting in MLLMs. Users are encouraged to consider the potential biases and limitations inherent in the training data and model outputs, especially when deploying the model in diverse and sensitive contexts.

Limitations

  • The model's training dataset, while addressing key gaps in VQA datasets, is relatively small at 6k entries. This may limit the model's generalizability across broader or more diverse multi-modal tasks.
  • Performance enhancements, particularly in language instruction capabilities post-visual tuning, are based on the current scope of evaluated benchmarks and datasets. The model's efficacy may vary in different or more challenging contexts.

Acknowledgments

This work was made possible through the contributions of Shengzhi Li, Rongyu Lin, and Shichao Pei, and supported by their respective institutions.

Citation

Please cite this work as:

@misc{li2024multimodal,
    title={Multi-modal preference alignment remedies regression of visual instruction tuning on language model},
    author={Shengzhi Li and Rongyu Lin and Shichao Pei},
    year={2024},
    eprint={2402.10884},
    archivePrefix={arXiv},
    primaryClass={cs.CL}
}

Как запустить

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

GPU в ailist

Универсальный рантайм

Можно запустить

Подбираем GPU…

Класс архитектуры
LlavaLlamaForCausalLM
Ревизия весов
a6730f1

0 моделей