/ Модель

Характеристики

Размер весов
14,9 ГБ
Лицензия
Apache 2.0
Архитектура
llava · dense
Опубликована
12 июн 2024

llava-calm2-siglip

Описание изображенийИзображение → текст3 профессии

Экспериментальная японско-английская модель CyberAgent семейства LLaVA отвечает текстом на вопросы об изображениях.

113скачиваний за 30 дней26лайковвеса обновлены12 июн 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 «Распознавание текста» — 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-calm2-siglip — экспериментальная мультимодальная модель CyberAgent для диалога по изображениям и ответов на вопросы о них, прежде всего на японском языке. Это трансформерная модель семейства LLaVA с архитектурой LlavaForConditionalGeneration и размером 7 млрд параметров; для понимания изображений используется SigLIP So400m Patch14 384, а языковая часть основана на cyberagent/calm2-7b-chat. Модель дообучена по инструкции на диалогах об изображениях, подготовленных с использованием данных MS-COCO и VisualGenome.

Модель принимает изображения и текстовые запросы, выдаёт текстовые ответы. Карточка указывает японский и английский языки; модель рассчитана на сценарии визуальных языковых приложений и академических исследований. Лицензия — Apache-2.0.

Это экспериментальная модель общего назначения, и для конкретных задач её качество может потребовать дополнительной настройки на подходящих данных. Разработчик рекомендует фильтровать неприемлемый контент при внедрении в производственные системы и не использовать модель в приложениях, способных причинить вред людям или группам; коммерческое применение предлагается оценивать с осторожностью.

Сценарии применения

  • ответы на вопросы о содержимом изображений
  • описание сцен и объектов на фотографиях
  • диалог на японском языке по изображению
  • анализ изображений для исследовательских прототипов

Ограничения

Для отдельных задач может потребоваться настройка на релевантных данных; в производственных системах разработчик рекомендует фильтровать неприемлемый контент. Коммерческое применение следует оценивать с осторожностью, а модель не рекомендуется для сценариев, способных причинить вред людям или группам.

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 Description

llava-calm2-siglip is an experimental Vision Language Model that can answer questions in Japanese about images.

Usage

from PIL import Image
import requests
from transformers import AutoProcessor, LlavaForConditionalGeneration
import torch

model = LlavaForConditionalGeneration.from_pretrained(
    "cyberagent/llava-calm2-siglip",
    torch_dtype=torch.bfloat16,
).to(0)

processor = AutoProcessor.from_pretrained("cyberagent/llava-calm2-siglip")

prompt = """USER: <image>
この画像を説明してください。
ASSISTANT: """

url = "https://unsplash.com/photos/LipkIP4fXbM/download?force=true&w=640"
image = Image.open(requests.get(url, stream=True).raw).convert("RGB")

inputs = processor(text=prompt, images=image, return_tensors="pt").to(0, torch.bfloat16)
generate_ids = model.generate(**inputs,
                              max_length=500,
                              do_sample=True,
                              temperature=0.2,
                    )
output = processor.tokenizer.decode(generate_ids[0][:-1], clean_up_tokenization_spaces=False)

print(output)

# USER: <image>
# この画像を説明してください。
# ASSISTANT: 画像には、木製のテーブルの上に置かれた、たこ焼き器で焼かれた3つのたこ焼きが映っています。たこ焼きは、小麦粉をベースにした生地を丸く焼き、中にタコや天かす、紅ショウガなどの具材を入れたものです。たこ焼きは、ソース、マヨネーズ、青海苔、かつおぶしをかけて食べることが多いです。

Chat Template

USER: <image>
{user_message1}
ASSISTANT: {assistant_message1}<|endoftext|>
USER: {user_message2}
ASSISTANT: {assistant_message2}<|endoftext|>
USER: {user_message3}
ASSISTANT: {assistant_message3}<|endoftext|>

Model Details

  • Model size: 7B
  • Model type: Transformer-based Vision Language Model
  • Language(s): Japanese, English
  • Developed by: CyberAgent, Inc.
  • License: Apache-2.0

Training

This model is a visual language instruction-following model based on LLaVA 1.5. It utilizes cyberagent/calm2-7b-chat as its language model and google/siglip-so400m-patch14-384 as its image encoder. During training, the first stage involved learning the MLP projection from scratch, which was followed by additional training of both the language model and the MLP projection in the second stage.

Dataset for Visual Instruction Tuning

In the second stage of Visual Instruction Tuning, we train on a dataset of conversations about images. These conversational data are generated using our in-house large-scale Japanese language model, based on images, captions, object labels, and bounding boxes from the MS-COCO and VisualGenome. For methods of generating conversational datasets for Visual Instruction Tuning without using images, please refer to LLaVA 1.5.

Evaluation Results

LLaVA Bench In-the-wild

ModelDetailConvComplexAverage
llava-calm2-siglip51.255.965.5157.54
Japanese Stable VLM26.0224.8429.1826.68
SakanaAI EvoVLM-JP49.5965.4954.2256.43
Heron BLIP v1 (620k)45.4532.9056.8945.08
Heron GIT40.9839.8754.5945.15

Heron-Bench

ModelDetailConvComplexAverage
llava-calm2-siglip53.4250.1352.7252.09
Japanese Stable VLM25.1551.2337.8438.07
SakanaAI EvoVLM-JP50.3144.4240.4745.07
Heron BLIP v1 (620k)49.0941.5145.7245.44
Heron GIT42.7754.2043.5346.83

Use and Limitations

Intended Use

This model is designed for use by the open-source community in vision-language applications and academic research.

Limitations and biases

This model, a general-purpose Japanese VLM, reaches optimal performance when specifically tuned with relevant data for each task. Though technically possible, commercial use is advised with caution, and the implementation of mechanisms to filter out inappropriate content is strongly recommended when deployed in production systems. This model is not advisable for use in applications that could potentially harm individuals or groups, or cause distress. CyberAgent expressly disclaims any liability for direct, indirect, special, incidental, or consequential damages, as well as for any losses that may result from using this model, regardless of the outcomes. Users must fully understand these limitations before employing the model.

Author

Aozora Inagaki

Как запустить

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

GPU в ailist

Универсальный рантайм

Можно запустить

Подбираем GPU…

Класс архитектуры
LlavaForConditionalGeneration
Ревизия весов
e8e6a82

0 моделей