/ Модель

Характеристики

Контекст
1 428 токенов
Размер весов
6,5 ГБ
Лицензия
MIT
Архитектура
tinyllava · dense
Библиотека
transformers
Опубликована
16 мар 2025

MaTVLM_0_25_Mamba2

Генерация текстаТекст → текст3 профессии

Компактная визуально-языковая модель на гибридной архитектуре Transformer и Mamba-2 для ответов на вопросы и диалога по изображениям.

111скачиваний за 30 дней1лайквеса обновлены18 мар 2025

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

MaTVLM_0_25_Mamba2 — компактная визуально-языковая модель из семейства TinyLLaVA, разработанная командой HustVL. Она заменяет часть слоёв Transformer-декодера предварительно обученной VLM слоями Mamba-2, инициализируя их весами соответствующих слоёв внимания, а затем использует дистилляцию от исходной VLM. Модель предназначена для диалоговых задач с изображениями и генерации ответов по визуальному содержимому.

В README заявлены результаты, сопоставимые с моделью-учителем и существующими VLM, а также ускорение инференса до 3,6 раза и сокращение потребления GPU-памяти на 27,5% относительно учителя без потери качества. Файлы модели представлены в формате safetensors и рассчитаны на библиотеку Transformers. Карточка не сообщает размер модели, длину контекста или поддерживаемые языки. Лицензия — MIT.

Сценарии применения

  • ответы на вопросы по изображению
  • описание содержимого фотографии
  • диалог с пользователем о визуальной сцене

Ограничения

В README приведены результаты на бенчмарках, но не названы сами наборы данных или подробности оценки; языковая поддержка и длина контекста не описаны.

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

MaTVLM Model Card

Introduction

With the advancement of RNN models with linear complexity, the quadratic complexity challenge of transformers has the potential to be overcome. Notably, the emerging Mamba-2 has demonstrated competitive performance, bridging the gap between RNN models and transformers. However, due to sequential processing and vanishing gradients, RNN models struggle to capture long-range dependencies, limiting contextual understanding. This results in slow convergence, high resource demands, and poor performance on downstream understanding and complex reasoning tasks. In this work, we present a hybrid model MaTVLM by substituting a portion of the transformer decoder layers in a pre-trained VLM with Mamba-2 layers. Leveraging the inherent relationship between attention and Mamba-2, we initialize Mamba-2 with corresponding attention weights to accelerate convergence. Subsequently, we employ a single-stage distillation process, using the pre-trained VLM as the teacher model to transfer knowledge to the \name, further enhancing convergence speed and performance. Furthermore, we investigate the impact of differential distillation loss within our training framework. We evaluate the MaTVLM on multiple benchmarks, demonstrating competitive performance against the teacher model and existing VLMs while surpassing both Mamba-based VLMs and models of comparable parameter scales. Remarkably, the MaTVLM achieves up to $3.6\times$ faster inference than the teacher model while reducing GPU memory consumption by 27.5%, all without compromising performance.

Paper: https://arxiv.org/abs/2503.13440

Code: https://github.com/hustvl/MaTVLM

Citation

If you find MaTVLM is useful in your research or applications, please consider giving us a star 🌟 and citing it by the following BibTeX entry.

@misc{li2025matvlmhybridmambatransformerefficient,
      title={MaTVLM: Hybrid Mamba-Transformer for Efficient Vision-Language Modeling}, 
      author={Yingyue Li and Bencheng Liao and Wenyu Liu and Xinggang Wang},
      year={2025},
      eprint={2503.13440},
      archivePrefix={arXiv},
      primaryClass={cs.CV},
      url={https://arxiv.org/abs/2503.13440}, 
}

Как запустить

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

GPU в ailist

Универсальный рантайм · transformers

Нельзя запустить

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

Класс архитектуры
HybridTinyLlavaForConditionalGeneration
Ревизия весов
cd4ac37

0 моделей