/ Модель

Характеристики

Контекст
8 192 токена
Размер весов
16,7 ГБ
Лицензия
Apache 2.0
Архитектура
llava · dense
Базовая модель
saiga_llama3_8b
Библиотека
transformers
Опубликована
25 июл 2024

llava-saiga-8b

Изображение и текст → текст4 профессии

Русскоязычная визуально-языковая модель DeepVK для ответов на вопросы об изображениях и диалога с визуальным контекстом.

107скачиваний за 30 дней16лайковвеса обновлены13 авг 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 «Изображение → 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-Saiga-8b — русскоязычная визуально-языковая модель DeepVK на базе IlyaGusev/saiga_llama3_8b, обученная по исходному конвейеру LLaVA. Она принимает изображение и текстовый запрос и генерирует текстовый ответ, поддерживая диалоговый формат. Модель ориентирована прежде всего на русский язык, но также работает с английским.

Модель обучалась в два этапа: адаптер предварительно обучали на данных ShareGPT4V, затем LLM и адаптер дообучали на русскоязычных инструкциях для визуальных задач, переводной части GQA и инструкционных данных ShareGPT4V. В README приведены результаты на GQA и MMBench на русском и английском языках. Модель распространяется в формате safetensors и использует библиотеку Transformers.

Подходит для ответов на вопросы об изображениях и диалога с визуальным контекстом. Лицензия — Apache-2.0. README не приводит число параметров или длину контекста.

Сценарии применения

  • ответы на вопросы по содержимому изображения на русском языке
  • ответы на вопросы по изображению на английском языке
  • диалог с пользователем об изображении
  • оценка визуальных сцен и объектов в формате вопросов и ответов

Ограничения

Ориентирована прежде всего на русский язык; качество ответов может зависеть от языка запроса и содержания изображения. README приводит результаты на GQA и MMBench, но не описывает полный спектр ограничений или сценариев оценки.

Для каких профессий подходит4

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

LLaVA-Saiga-8b

LLaVA-Saiga-8b is a Vision-Language Model (VLM) based on IlyaGusev/saiga_llama3_8b model and trained in original LLaVA setup. This model is primarily adapted to work with Russian, but still capable to work with English.

Usage

Model usage is simple via transformers API

import requests

from PIL import Image
from transformers import AutoProcessor, AutoTokenizer, LlavaForConditionalGeneration

model_name = "deepvk/llava-saiga-8b"

model = LlavaForConditionalGeneration.from_pretrained(model_name)
processor = AutoProcessor.from_pretrained(model_name)
tokenizer = AutoTokenizer.from_pretrained(model_name)

url = "https://www.ilankelman.org/stopsigns/australia.jpg"
img = Image.open(requests.get(url, stream=True).raw)
messages = [
    {"role": "user", "content": "<image>\nОпиши картинку несколькими словами."}
]

text = tokenizer.apply_chat_template(messages, tokenize=False, add_generation_prompt=True)
inputs = processor(images=[img], text=text, return_tensors="pt")

generate_ids = model.generate(**inputs, max_new_tokens=30)
answer = tokenizer.decode(generate_ids[0, inputs.input_ids.shape[1]:], skip_special_tokens=True)
print(answer)

Use the <image> tag to point to an image in the text and follow the chat template for a multi-turn conversation. The model is capable of chatting without any images or working with multiple images in a conversation, but this behavior has not been tested.

The model format allows it to be directly used in popular frameworks, e.g. you can test the model using lmms-eval, see Results section for details.

Train

To train this model, we follow the original LLaVA pipeline and reuse haotian-liu/LLaVA framework.

The model was trained in two stages:

  1. The adapter was trained using pre-training data from ShareGPT4V.
  2. Instruction tuning included training the LLM and the adapter, for this we use:
    • deepvk/LLaVA-Instruct-ru - our new dataset of VLM instructions in Russian
    • deepvk/GQA-ru - the training part of the popular GQA test, translated into Russian, we used the post-prompt "Ответь одним словом. ".
    • We also used instruction data from ShareGPT4V.

The entire training process took 3-4 days on 8 x A100 80GB.

Results

The model's performance was evaluated using lmms-eval framework

accelerate launch -m lmms_eval --model llava_hf --model_args pretrained="deepvk/llava-saiga-8b" \
  --tasks gqa-ru,mmbench_ru_dev,gqa,mmbench_en_dev --batch_size 1 \
  --log_samples --log_samples_suffix llava-saiga-8b --output_path ./logs/
ModelGQAGQA-ruMMBenchMMBench-ru
deepvk/llava-gemma-2b-lora56.3946.3751.7240.19
Intel/llava-gemma-2b59.800.2039.4028.30
deepvk/llava-saiga-8b [this model]62.0051.4464.2656.65
llava-hf/llava-1.5-7b-hf61.3128.3962.9752.25
llava-hf/llava-v1.6-mistral-7b-hf64.656.6567.7048.80

Note: for MMBench we didn't use OpenAI API for finding quantifier in generated string. Therefore, the score is similar to Exact Match as in GQA benchmark.

Citation

@misc{liu2023llava,
  title={Visual Instruction Tuning}, 
  author={Liu, Haotian and Li, Chunyuan and Wu, Qingyang and Lee, Yong Jae},
  publisher={NeurIPS},
  year={2023},
}
@misc{deepvk2024llava-saiga-8b,
	title={LLaVA-Saiga-8b},
	author={Belopolskih, Daniil and Spirin, Egor},
	url={https://huggingface.co/deepvk/llava-saiga-8b},
	publisher={Hugging Face}
	year={2024},
}

Как запустить

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

GPU в ailist

Универсальный рантайм · transformers

Можно запустить

Подбираем GPU…

Класс архитектуры
LlavaForConditionalGeneration
Ревизия весов
0ec419d

0 моделей