/ Модель

Характеристики

Контекст
2 048 токенов
Параметры
12,9 млрд
Размер весов
52,2 ГБ
Архитектура
llava · dense
Опубликована
19 мар 2024

Cerebras-LLaVA-13B

Генерация текстаТекст → текст3 профессии

Мультимодальная модель Cerebras на базе LLaVA для исследований и чат-ботов, способных отвечать на вопросы об изображениях.

85скачиваний за 30 дней6лайковвеса обновлены19 мар 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

Cerebras-LLaVA-13B — мультимодальная модель Cerebras на архитектуре LLaVA, предназначенная для исследований в области компьютерного зрения и обработки естественного языка, а также для создания чат-ботов. В репозитории находятся веса языковой части и проектора; контрольная точка визуального энкодера опубликована отдельно: cerebras/Cerebras-ViT-L-336-patch14-llava13b-ShareGPT4V.

Модель объединяет CLIP-VisionModel-Large, языковую модель на основе Vicuna-13B и проектор mlp2x-gelu из двух линейных слоёв с активацией GELU. Она рассчитана на изображения размером 336 × 336 пикселей с патчами 14 × 14. Число параметров — 12,9 млрд, контекст — 2048 токенов. Для загрузки используется кодовая база LLaVA; в метаданных указан формат PyTorch.

Модель предназначена для исследовательских и демонстрационных сценариев, включая диалог по изображениям. README не указывает поддерживаемые языки. Обучающие данные могли содержать оскорбительный или неприемлемый контент, который может проявляться в ответах. Лицензия в предоставленных данных не указана.

Сценарии применения

  • ответы на вопросы по изображению
  • диалоговый чат-бот с визуальным вводом
  • исследования мультимодальных языковых моделей

Ограничения

Модель предназначена для демонстрационных и исследовательских сценариев; ответы могут отражать оскорбительный или неприемлемый контент из обучающих данных. Для загрузки языковой части и проектора требуется отдельная контрольная точка визуального энкодера и кодовая база LLaVA.

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 Card for cerebras/Cerebras-LLaVA-13B

The checkpoints consists of Language encoder and projector weights of multimodal LLaVA-13B model trained with our Cerebras implementation and training recipe. The vision encoder checkpoints for this model can be found at cerebras/Cerebras-ViT-L-336-patch14-llava13b-ShareGPT4V

Note: ShareGPT4V is added to the vision model name to ensure correct loading of checkpoints in LLaVA source repository

For full details of this model and training details, please read our upcoming blog post.

License

Cerebras-Llava is licensed under the LLAMA 2 Community License, Copyright (c) Meta Platforms, Inc. All Rights Reserved.

Model Architecture

Cerebras-LLaVA-13B is a transformer model with the following architecture details

  • Vision encoder: CLIP-VisionModel-Large . It handles images of size 336 x 336 with patch size of 14
  • Large Language Model: Pretrained from Vicuna-13B checkpoints and instruction finetuned on various datasets.
  • Projector: the projector module that connects the LLM and Vision encoder part consists of two linear layers with gelu activation (mlp2x-gelu)

Loading the model

This model can directly be loaded using the LLaVa source code repository. For installation, please refer to the instructions in source code repository. We perform all our evaluations using the LLaVA source code repository scripts.

from llava.model.builder import load_pretrained_model
from llava.mm_utils import get_model_name_from_path
from llava.eval.run_llava import eval_model

model_path = "cerebras/Cerebras-LLaVA-13B"

tokenizer, model, image_processor, context_len = load_pretrained_model(
    model_path=model_path,
    model_base=None,
    model_name=get_model_name_from_path(model_path)
)

Intended Use

Primary intended uses: The primary use of LLaVA is research on large multimodal models and chatbots.

Primary intended users: The primary intended users of the model are researchers(both academic and industry) in computer vision, natural language processing, machine learning, and artificial intelligence

Limitations and Bias

The pre-training dataset may have contained offensive or inappropriate content, even after applying data cleansing filters, which can be reflected in the model-generated text. We recommend that users exercise caution when using these models for their applications or any use case that may cause deliberate or unintentional harm to others. This model is for demonstration purpose only.

Acknowledgements

We are thankful to all Cerebras engineers that made this work possible.

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
5acb2d1

0 моделей