/ Модель

Характеристики

Контекст
4 096 токенов
Параметры
6,6 млрд
Размер весов
14,1 ГБ
Архитектура
llava_llama · dense
Опубликована
28 мая 2024

MQT-LLaVA-7b

Генерация текстаТекст → текст3 профессии

MQT-LLaVA-7b — мультимодальный чат-бот на базе LLaMA/Vicuna для диалога по изображениям и ответов на визуальные вопросы.

172скачиваний за 30 дней5лайковвеса обновлены30 мая 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

MQT-LLaVA-7b — открытый мультимодальный чат-бот, разработанный путём дообучения LLaMA/Vicuna на инструкционных данных, созданных GPT. Это авторегрессионная модель на архитектуре Transformer семейства LLaVA-LLaMA с 6,6 млрд параметров; она принимает изображения и текст и отвечает текстом. Длина контекста составляет 4096 токенов.

Модель предназначена для исследований мультимодальных языковых моделей и чат-ботов, а также для экспериментов с компьютерным зрением и обработкой естественного языка. Обучающие данные включают пары изображение–текст, инструкции для мультимодальных задач, данные для визуальных вопросов и ответов и диалоги ShareGPT. Модель подходит для описания изображений и ответов на вопросы о них.

В README указана открытая модель, но конкретная лицензия не приведена. Результаты зависят от обучающих данных и исследовательского характера модели; карточка не сообщает специальных гарантий качества или ограничений применения.

Сценарии применения

  • ответы на вопросы об изображениях
  • создание текстовых описаний изображений
  • диалог с моделью по визуальному содержимому
  • эксперименты с мультимодальными чат-ботами

Ограничения

Модель позиционируется для исследований и экспериментов; качество ответов может зависеть от обучающих данных. Конкретная лицензия в предоставленных данных не указана.

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

MQT-LLaVA Model Card

Model details

Model type: MQT-LLaVA is an open-source chatbot trained by fine-tuning LLaMA/Vicuna on GPT-generated multimodal instruction-following data. It is an auto-regressive language model, based on the transformer architecture.

Model date: MQT-LLaVA-7B was trained in May 2024. Paper

License

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

Where to send questions or comments about the model: https://github.com/gordonhu608/MQT-LLaVA/issues

Intended use

Primary intended uses: The primary use of MQT-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.
  • 450K academic-task-oriented VQA data mixture.
  • 40K ShareGPT data.

Evaluation dataset

A collection of 11 benchmarks, including 4 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

Нельзя запустить

Архитектура llava_llama неизвестна transformers в образе рантайма.

Класс архитектуры
LlavaLlamaForCausalLM
Ревизия весов
089bfb3

0 моделей