/ Модель

Характеристики

Базовая модель
Qwen2.5-0.5B-Instruct
Библиотека
transformers
Опубликована
8 дек 2024

Vinqw-1B-v1

Вопросы по изображениюИзображение, текст → текст

Vinqw-1B — компактная мультимодальная модель для ответов на вопросы по изображениям документов, ориентированная на вьетнамский язык.

0скачиваний за 30 дней8лайковвеса обновлены21 дек 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

Vinqw-1B — мультимодальная модель с примерно 1 млрд параметров, разработанная авторами README на основе InternViT-300M-448px и Qwen2.5-0.5B-Instruct. Она использует архитектуру ViT-MLP-LLM и предназначена для ответов на вопросы по изображениям, особенно для чтения и понимания документов на вьетнамском языке.

Для обработки изображений авторы разработали метод PCOHR: изображения дополняются полями, масштабируются с сохранением соотношения сторон и разбиваются на перекрывающиеся фрагменты, чтобы уменьшить потерю текста и контекста. Модель обучалась на собранных авторами данных, включая наборы Viet-Doc-VQA, Viet-Doc-VQA-II, Viet-OCR-VQA и TD-ViOCR-CPVQA. В README приведены результаты сравнительной оценки на BLEU и CIDEr, однако они не устанавливают качество на других языках и типах изображений.

Модель принимает изображения и текстовые вопросы, а выдаёт текстовые ответы. В метаданных указана лицензия? Нет, сведения о лицензии не предоставлены, поэтому условия использования по доступным данным определить нельзя.

Сценарии применения

  • ответы на вопросы по вьетнамским документам
  • поиск сведений в изображениях документов
  • извлечение текста и фактов из сканов на вьетнамском языке

Ограничения

Оценки в README относятся к указанным наборам и метрикам; качество для других языков и сценариев не подтверждено. Лицензия в предоставленных данных не указана.

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

Vinqw-1B

Introduction

We are excited to introduce Vinqw-1B, a 1-billion-parameter VLM built using the InternViT-300m-448px vision model and the Qwen2.5-0.5B-Instruct large language model. It incorporates a new image processing method we developed and is trained on a newly curated dataset we compiled using Gemini.

Model Architecture

As shown in the figure below, our model adopts the same architecture as other models, following the "ViT-MLP-LLM" paradigm. However, in this new version, we employ a different image processing method developed by us at the pre-processing stage before feeding it into InternViT-300M-448px.

image/png

Padded Consistent Overlap High Resolution

Padding images and resizing them with a consistent aspect ratio led us to believe this approach would perform better for text detection, minimizing the likelihood of text being truncated when split into tiles. Additionally, overlapping helps preserve context in cases where text might accidentally be cut right in the middle.

image/png

Training details

The pre-training datasets used in this study are: Viet-OCR-VQA, Viet-Doc-VQA, Viet-Doc-VQA-II, Vista

The fine-tuning datasets used in this study is: TD-ViOCR-CPVQA

Benchmarks

We evaluated our method against other approaches, including DHR, and found that our method improved the model's performance by 0.2 points on the CIDEr scale compared to the DHR method.

Image ProcessorTrain DatasetBLEU@1BLEU@2BLEU@3BLEU@4avg. BLEUCIDEr
DHRORI VQA0.35200.30020.26090.23050.28591.8069
DHRCP VQA (ours)0.70020.64290.59700.55910.62485.1814
PCOHR (ours)CP VQA (ours)0.71740.66230.61850.58260.64525.3619

We also compared our model with others. Due to hardware limitations, we were unable to train other models on the complex dataset we created. Instead, we used the Gemini Score, employing a "LLM-as-a-judge" evaluation method to calculate the scores between our model and the others.

Model nameGemini score
Vintern-1B-V20.7635
Qwen2-VL-2B-Instruct0.6334
InternVL2-2B0.2790
mblip-mt0-xl-vivqa (ICNLP - VNPT AI)0.3387
Lavy0.5672
EraX-VL-7B-V1.00.7681
Vinqw-1B (ours)0.7677

Also here is some result that we compare from our model with different model.

image/png image/png image/png image/png

Quickstart

Open In Colab

Authors

Как запустить

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

GPU в ailist

Универсальный рантайм · transformers

Нельзя запустить

Доступ к модели ограничен автором; у платформы нет доступа к весам.

Ревизия весов
9537d91

0 моделей