/ Модель

Характеристики

Контекст
4 096 токенов
Параметры
33,9 млрд
Размер весов
69,5 ГБ
Лицензия
Apache 2.0
Архитектура
llava · dense
Опубликована
10 фев 2024

hf-llava-v1.6-34b

Генерация текстаТекст → текст3 профессии

LLaVA-1.6 34B — дообученная мультимодальная чат-модель для диалога и ответов на вопросы по изображениям.

17скачиваний за 30 дней6лайковвеса обновлены10 фев 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

dillonlaird/hf-llava-v1.6-34b — репозиторий с файлами для запуска LLaVA-1.6 34B через SGLang. Это авторегрессионная мультимодальная модель чат-бота на архитектуре Transformer, полученная дообучением NousResearch/Nous-Hermes-2-Yi-34B на данных следования мультимодальным инструкциям. Модель насчитывает 33,9 млрд параметров, использует формат Safetensors и имеет контекст длиной 4096 токенов.

Модель предназначена для диалога по изображениям, визуальных вопросов и ответов, описания изображений и академических задач компьютерного зрения. В обучении использовались пары изображение–текст, данные VQA и наборы инструкций, включая данные ShareGPT и GPT-4V. Карточка описывает её как открытую модель для исследований и экспериментов исследователей и любителей в области компьютерного зрения и NLP.

Репозиторий распространяется по лицензии Apache-2.0. В README отмечена проблема с форматированием чата при использовании интерфейса SGLang; автор рекомендует напрямую отправлять запросы серверу, самостоятельно формируя строку. В метаданных указана задача text-generation, поэтому это основной тег для каталога.

Сценарии применения

  • ответы на вопросы по изображению
  • описание содержимого изображения
  • диалог с моделью о визуальной сцене
  • решение академических задач визуальных вопросов и ответов

Ограничения

В README отмечены проблемы с форматированием чата через интерфейс SGLang; для этого интерфейса требуется самостоятельно формировать строку запроса. Поддерживаемые языки отдельно не указаны.

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

LLaVA Model Card

SGLang

This contains the necessary files to run LLaVA-1.6 34B on SGLang. You can run the server with the following command:

python -m sglang.launch_server --model-path dillonlaird/hf-llava-v1.6-34b --port 30000

There seems to be issues with the chat formatting when using the sglang interface so I recommend querying the server directly and formatting the string yourself:

import requests
from transformers import AutoTokenizer


def generate(image_path: str, prompt: str, tokenizer):
    chat = [
        {"role": "system", "content": "Answer the question."},
        {"role": "user", "content": "<image>\n" + prompt},
    ]
    chat_str = tokenizer.apply_chat_template(chat, tokenize=False)
    chat_str += "<|img_start|>assistant\n"
    sampling_params = {"temperature": 0.2, "max_new_tokens": 1536}
    res = requests.post(
        "http://localhost:30000/generate",
        json={
            "text": chat_str,
            "image_data": image_path,
            "sampling_params": sampling_params,
        },
    )
    return res.json()["text"]


if __name__ == "__main__":
    tokenizer = AutoTokenizer.from_pretrained("liuhaotian/llava-v1.6-34b")
    image_path = "path/to/image.jpg"
    prompt = "What is the name of the mountain?"
    desc = generate(image_path, prompt, tokenizer)

Model details

Model type: LLaVA is an open-source chatbot trained by fine-tuning LLM on multimodal instruction-following data. It is an auto-regressive language model, based on the transformer architecture. Base LLM: NousResearch/Nous-Hermes-2-Yi-34B

Model date: LLaVA-v1.6-34B was trained in December 2023.

Paper or resources for more information: https://llava-vl.github.io/

License

NousResearch/Nous-Hermes-2-Yi-34B license.

Where to send questions or comments about the model: https://github.com/haotian-liu/LLaVA/issues

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 and hobbyists in computer vision, natural language processing, machine learning, and artificial intelligence.

Training dataset

  • 558K filtered image-text pairs from LAION/CC/SBU, captioned by BLIP.
  • 158K GPT-generated multimodal instruction-following data.
  • 500K academic-task-oriented VQA data mixture.
  • 50K GPT-4V data mixture.
  • 40K ShareGPT data.

Evaluation dataset

A collection of 12 benchmarks, including 5 academic VQA benchmarks and 7 recent benchmarks specifically proposed for instruction-following LMMs.

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
8399353

0 моделей