/ Модель

Характеристики

Лицензия
MIT
Опубликована
20 мар 2025

OmniMamba

Мультимодальная модель

OmniMamba — мультимодальная модель на Mamba-2 для генерации текста и изображений в единой авторегрессионной системе.

0скачиваний за 30 дней7лайковвеса обновлены20 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

OmniMamba — исследовательская мультимодальная модель от команды HustVL для генерации текста и изображений в единой авторегрессионной схеме предсказания следующего токена. В основе архитектуры лежит Mamba-2 с линейной вычислительной сложностью; для генерации текста и изображений используются разделённые словари, а для адаптации к задачам — LoRA. Обучение проводится в два этапа, чтобы снизить влияние дисбаланса данных между задачами.

Модель предназначена для мультимодальной генерации по текстовым и визуальным входам. Авторы сообщают о конкурентных результатах относительно JanusFlow и превосходстве над Show-o на бенчмарках при обучении на 2 млн пар изображение–текст, а также об ускорении до 119,2 раза и сокращении использования памяти GPU на 63% при генерации длинных последовательностей по сравнению с моделями на Transformer. Репозиторий содержит веса PyTorch и распространяется по лицензии MIT.

Сценарии применения

  • генерация изображений по текстовому запросу
  • генерация текста с визуальным контекстом
  • эксперименты с единой мультимодальной генерацией
  • исследование эффективности Mamba-2 при генерации длинных последовательностей

Ограничения

README не описывает подробные ограничения или режимы использования. Заявленные результаты производительности и качества приведены авторами по сравнению с отдельными моделями и бенчмарками.

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

Introduction

Recent advancements in unified multimodal understanding and visual generation (or multimodal generation) models have been hindered by their quadratic computational complexity and dependence on large-scale training data. We present OmniMamba, the first linear-architecture-based multimodal generation model that generates both text and images through a unified next-token prediction paradigm. The model fully leverages Mamba-2's high computational and memory efficiency, extending its capabilities from text generation to multimodal generation. To address the data inefficiency of existing unified models, we propose two key innovations: (1) decoupled vocabularies to guide modality-specific generation, and (2) task-specific LoRA for parameter-efficient adaptation. Furthermore, we introduce a decoupled two-stage training strategy to mitigate data imbalance between two tasks. Equipped with these techniques, OmniMamba achieves competitive performance with JanusFlow while surpassing Show-o across benchmarks, despite being trained on merely 2M image-text pairs, which is 1,000 times fewer than Show-o. Notably, OmniMamba stands out with outstanding inference efficiency, achieving up to a 119.2X speedup and 63% GPU memory reduction for long-sequence generation compared to Transformer-based counterparts.

Paper: https://arxiv.org/abs/2503.08686

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

Citation

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

@misc{zou2025omnimambaefficientunifiedmultimodal,
      title={OmniMamba: Efficient and Unified Multimodal Understanding and Generation via State Space Models}, 
      author={Jialv Zou and Bencheng Liao and Qian Zhang and Wenyu Liu and Xinggang Wang},
      year={2025},
      eprint={2503.08686},
      archivePrefix={arXiv},
      primaryClass={cs.CV},
      url={https://arxiv.org/abs/2503.08686}, 
}

Как запустить

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

GPU в ailist

Универсальный рантайм

Нельзя запустить

Any-to-any модели пока не поддерживаются.

Ревизия весов
c77b136

0 моделей