/ Модель

Характеристики

Контекст
32 768 токенов
Параметры
7,1 млрд
Размер весов
17,8 ГБ
Лицензия
Apache 2.0
Архитектура
valley · dense
Базовая модель
Qwen2.5-7B-Instruct
Опубликована
23 дек 2024

Valley-Eagle-7B

Генерация текстаТекст → текст3 профессии

Мультимодальная модель ByteDance на базе Qwen2.5-7B-Instruct для диалогов и понимания визуальных данных.

124скачиваний за 30 дней44лайкавеса обновлены3 ноя 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

Valley-Eagle-7B — мультимодальная модель ByteDance для понимания текста и изображений. Она основана на Qwen2.5-7B-Instruct и сочетает визуальные энкодеры SigLIP и Qwen2-VL с проектором LargeMLP и ConvAdapter; архитектура поддерживает гибкое число визуальных токенов. Модель предназначена для диалогов и анализа визуальных данных, в том числе сценариев электронной коммерции и коротких видео. По метаданным, модель содержит 7,1 млрд параметров, использует контекст до 32 768 токенов и распространяется в формате safetensors.

Карточка сообщает о высоких результатах на внутренних тестах электронной коммерции и коротких видео, а также на OpenCompass, но не приводит методику и подробности этих оценок. Метаданные указывают интерфейс вызова инструментов. Лицензия — Apache-2.0. В README заявлены обработка текста, изображений и видео, однако метаданные подтверждают только задачу text-generation; поддержка видео в практическом интерфейсе из доступных сведений неясна.

Сценарии применения

  • ответы на вопросы по изображениям товаров
  • диалоговый анализ визуального содержимого коротких видео
  • описание и сравнение изображений
  • генерация текстовых ответов с учётом изображения
  • вызов инструментов в диалоговых сценариях

Ограничения

Метаданные подтверждают только text-generation, тогда как README также заявляет работу с изображениями и видео; поддержка видео в доступном интерфейсе неясна. Заявления о результатах на бенчмарках приведены без подробностей методики.

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

Valley2

Introduction

Valley is a cutting-edge multimodal large model designed to handle a variety of tasks involving text, images, and video data, which is developed by ByteDance. Our model

  • Achieved the best results in the inhouse e-commerce and short-video benchmarks, much better then other SOTA opensource models.
  • Demonstrated comparatively outstanding performance in the OpenCompass Benchmark.

Release

  • [2025/10/26] 🔥🔥🔥 Update Valley3, significantly enhance multimodal understanding and reasoning capabilities, achieving 74.4 on OpenCompass Multi-modal Academic Leaderboard!
  • [2025/02/15] 🔥 Update Valley2-DPO, achieve 69.6 on OpenCompass Multi-modal Academic Leaderboard and update AutoModel usage for checkpoints.
  • [2025/01/13] 🔥 Release TechReport. Valley2: Exploring Multimodal Models with Scalable Vision-Language Design
  • [2024/12/23] 🔥 Announcing Valley2 (Valley-Eagle-7B)!

Architecture

The foundational version of Valley2 is a multimodal large model aligned with Siglip and Qwen2.5, incorporating LargeMLP and ConvAdapter to construct the projector.

  • In the final version, we also referenced Eagle, introducing an additional VisionEncoder that can flexibly adjust the number of tokens and is parallelized with the original visual tokens.
  • This enhancement supplements the model’s performance in extreme scenarios, and we chose the Qwen2vl VisionEncoder for this purpose.

The model structure is shown as follows:

Environment Setup

pip install torch==2.4.0 torchvision==0.19.0 torchaudio==2.4.0 --index-url https://download.pytorch.org/whl/cu121
pip install -r requirements.txt

License Agreement

All of our open-source models are licensed under the Apache-2.0 license.

Related Project

We list related Project

License Agreement

All of our open-source models are licensed under the Apache-2.0 license.

We are Hiring

The Data-Ecommerce-Platform Governance-Basic Algorithms Team focuses on the research and development of multi-modal large model algorithms and foundational algorithms, continuously delving deeply into this field. Our mission is to optimize algorithms and collaborate with business teams to comprehensively govern the quality and ecosystem of ByteDance's e-commerce products. Currently, the team has a strong demand for foundational algorithm expertise in NLP, CV, and multimodal technologies. We welcome inquiries and look forward to working on challenging projects with talented individuals like you!

Location: Beijing / Shanghai / Singapore

Contact & Resume Submission: xiaochen.qiu@bytedance.com

Tiktok-电商,基础算法团队专注于多模态大模型算法和基础算法的研发,并在此方向上持续深耕,期待和优秀的你(实习/全职),一起做有挑战的事情!

岗位城市:北京/上海/新加坡

咨询&简历投递:xiaochen.qiu@bytedance.com

Citation

@article{wu2025valley2,
  title={Valley2: Exploring Multimodal Models with Scalable Vision-Language Design},
  author={Wu, Ziheng and Chen, Zhenghao and Luo, Ruipu and Zhang, Can and Gao, Yuan and He, Zhentao and Wang, Xian and Lin, Haoran and Qiu, Minghui},
  journal={arXiv preprint arXiv:2501.05901},
  year={2025}
}

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
ValleyQwen2ForCausalLM
Ревизия весов
23ce917

0 моделей