/ Модель

Характеристики

Контекст
131 072 токена
Параметры
71,5 млрд
Размер весов
146 ГБ
Лицензия
Своя лицензия
Архитектура
llava-qwen2 · dense
Базовая модель
Qwen2-72B
Опубликована
28 июн 2024

dolphin-vision-72b

Генерация текстаТекст → текст9 профессий

Мультимодальная модель на базе Qwen2-72B для диалогов, генерации текста и ответов на вопросы по изображениям.

122скачиваний за 30 дней135лайковвеса обновлены16 июл 2024

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

DolphinVision 72B — мультимодальная модель, созданная Quan Nguyen, Eric Hartford и Cognitive Computations. Она дообучена на базе Qwen2-72B и предназначена для диалогов, генерации текста и анализа изображений: модель может отвечать на вопросы о содержимом изображений и описывать его.

Модель содержит 71,5 млрд параметров, использует архитектуру llava-qwen2 и поддерживает контекст до 131 072 токенов. В README приведены результаты на наборах VQA v2, MMBench, MMMU, MathVista и RealWorldQA. Авторы характеризуют её как uncensored и отмечают способность обсуждать изображения, от которых могут отказаться другие модели.

Лицензия указана как other, поэтому конкретные условия использования следует проверять в карточке модели. Это крупная модель, для запуска которой требуются значительные вычислительные ресурсы; приведённые бенчмарки не гарантируют качество на любых данных.

Сценарии применения

  • ответы на вопросы о содержимом изображения
  • описание изображений в диалоговом формате
  • визуальные вопросы по графикам и диаграммам
  • решение математических задач с использованием изображений
  • генерация ответов в многоходовом чате

Ограничения

Для работы с моделью требуются значительные вычислительные ресурсы. Указанная лицензия «other» не раскрывает конкретных условий использования в предоставленных данных.

Для каких профессий подходит9

Разделы каталога профессий, в задачах которых используется эта модель

Все профессии

Также подходит для

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

DolphinVision 72b 🐬

Curated and trained by Quan Nguyen (qnguyen3/stablequan), Eric Hartford, and Cognitive Computations

Discord Discord: https://discord.gg/h3K4XGj2RH

Our appreciation for the sponsors of DolphinVision:

  • Crusoe Cloud - provided excellent on-demand 8xH100 node used for training
  • TensorWave - provided 8x mi300x node used for evaluations and inference

DolphinVision is a multimodal model. It is uncensored, and capable to reason and comment regarding images that other popular models would object to.

import torch
import transformers
from transformers import AutoModelForCausalLM, AutoTokenizer
from PIL import Image
import warnings

# disable some warnings
transformers.logging.set_verbosity_error()
transformers.logging.disable_progress_bar()
warnings.filterwarnings('ignore')

# set device
torch.set_default_device('cuda')  # or 'cpu'

model_name = 'cognitivecomputations/dolphin-vision-72b'

# create model
model = AutoModelForCausalLM.from_pretrained(
    model_name,
    torch_dtype=torch.float16,
    device_map='auto',
    trust_remote_code=True)
tokenizer = AutoTokenizer.from_pretrained(
    model_name,
    trust_remote_code=True)

# text prompt
prompt = 'Describe this image in detail'

messages = [
    {"role": "user", "content": f'<image>\n{prompt}'}
]
text = tokenizer.apply_chat_template(
    messages,
    tokenize=False,
    add_generation_prompt=True
)

print(text)

text_chunks = [tokenizer(chunk).input_ids for chunk in text.split('<image>')]
input_ids = torch.tensor(text_chunks[0] + [-200] + text_chunks[1], dtype=torch.long).unsqueeze(0)

# image, sample images can be found in images folder
image = Image.open('/path/to/image.png')
image_tensor = model.process_images([image], model.config).to(dtype=model.dtype)

# generate
output_ids = model.generate(
    input_ids,
    images=image_tensor,
    max_new_tokens=2048,
    use_cache=True)[0]

print(tokenizer.decode(output_ids[input_ids.shape[1]:], skip_special_tokens=True).strip())

Examples

image/png

<|im_start|>user
: do OCR on all the text
<|im_start|>assistant
: The text in the image reads as follows:

- STOP USING DOCKER
- Applications were not meant to be trapped in virtual jars like digital fireflies
- Years of software development, yet no one questioned why we were putting programs in imaginary boats
- Let's containerize our monolith. I'll just quickly spin up 17 microservices. Statements dreamt up by the utterly deranged
- Observe the whale-sized deception they fooled us with all this time
- These are real images used to explain Docker
- "Yay Matey, I'd like to run my website in a virtual sea"
- They have played us for absolute fools

This text is a satirical commentary on the use of Docker in software development, using humor and exaggeration to question the practice.

Benchmarks

ModelVQA v2MMBenchMMMU (Eval)MathVistaRealWorldQA
Dolphin-Vision-72B83.681.245.747.2566.4
GPT-4V84.478.152.4-67.9

Как запустить

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

GPU в ailist

vLLM

Нельзя запустить

Модели нужен код из репозитория; автор пока не в списке доверенных организаций.

Класс архитектуры
BunnyQwenForCausalLM
Ревизия весов
aa9715b

0 моделей