/ Модель

Характеристики

Контекст
32 768 токенов
Параметры
7,4 млрд
Размер весов
17,2 ГБ
Лицензия
Своя лицензия
Архитектура
internlmxcomposer2 · dense
Опубликована
7 апр 2024

internlm-xcomposer2-4khd-7b

Генерация текстаТекст → текст4 профессии

Мультимодальная модель InternLM на базе InternLM2 для ответов на вопросы и понимания изображений, включая изображения с разрешением до 4K.

557скачиваний за 30 дней73лайкавеса обновлены18 апр 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

InternLM-XComposer2-4KHD — мультимодальная модель для работы с изображениями и текстом, разработанная командой InternLM на базе InternLM2. Она принимает изображения и текстовые запросы, поддерживает понимание изображений с разрешением до 4K и генерирует текстовые ответы в диалоге. Модель подходит для визуальных вопросов и ответов, а также для задач, в которых нужно описать или интерпретировать содержимое изображения.

Модель имеет плотную архитектуру InternLM2ForCausalLM и содержит 7,4 млрд параметров. Для запуска предусмотрена загрузка через Transformers с пользовательским кодом модели; README рекомендует bfloat16, чтобы снизить требования к памяти. Указанный в метаданных размер контекста — 32 768 токенов. Репозиторий содержит веса PyTorch, лицензия обозначена как other; конкретные условия лицензии в предоставленных данных не раскрыты.

Сценарии применения

  • ответы на вопросы о содержимом изображения
  • описание и интерпретация изображений высокого разрешения
  • визуальный диалог по изображению
  • извлечение сведений из изображения по текстовому запросу

Ограничения

В предоставленных материалах не приведены оценки качества и подробные ограничения. Для загрузки требуется поддержка пользовательского кода Transformers, а запуск в float32 может привести к нехватке памяти.

Для каких профессий подходит4

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

💻Github Repo

Paper

InternLM-XComposer2-4KHD is a general vision-language large model (VLLM) based on InternLM2, with the capability of 4K resolution image understanding.

Import from Transformers

To load the InternLM-XComposer2-4KHD model using Transformers, use the following code:

import torch
from transformers import AutoTokenizer, AutoModelForCausalLM
ckpt_path = "internlm/internlm-xcomposer2-4khd-7b"
tokenizer = AutoTokenizer.from_pretrained(ckpt_path, trust_remote_code=True).cuda()
# Set `torch_dtype=torch.floatb16` to load model in bfloat16, otherwise it will be loaded as float32 and might cause OOM Error.
model = AutoModelForCausalLM.from_pretrained(ckpt_path, torch_dtype=torch.bfloat16, trust_remote_code=True).cuda()
model = model.eval()

Quickstart

We provide a simple example to show how to use InternLM-XComposer with 🤗 Transformers.

import torch
from transformers import AutoModel, AutoTokenizer

torch.set_grad_enabled(False)

# init model and tokenizer
model = AutoModel.from_pretrained('internlm/internlm-xcomposer2-4khd-7b', torch_dtype=torch.bfloat16, trust_remote_code=True).cuda().eval()
tokenizer = AutoTokenizer.from_pretrained('internlm/internlm-xcomposer2-4khd-7b', trust_remote_code=True)

###############
# First Round
###############

query1 = '<ImageHere>Illustrate the fine details present in the image'
image = './example.webp'
with torch.cuda.amp.autocast():
  response, his = model.chat(tokenizer, query=query, image=image, hd_num=55, history=[], do_sample=False, num_beams=3)
print(response)
# The image is a vibrant and colorful infographic that showcases 7 graphic design trends that will dominate in 2021. The infographic is divided into 7 sections, each representing a different trend. 
# Starting from the top, the first section focuses on "Muted Color Palettes", highlighting the use of muted colors in design.
# The second section delves into "Simple Data Visualizations", emphasizing the importance of easy-to-understand data visualizations. 
# The third section introduces "Geometric Shapes Everywhere", showcasing the use of geometric shapes in design. 
# The fourth section discusses "Flat Icons and Illustrations", explaining how flat icons and illustrations are being used in design. 
# The fifth section is dedicated to "Classic Serif Fonts", illustrating the resurgence of classic serif fonts in design.
# The sixth section explores "Social Media Slide Decks", illustrating how slide decks are being used on social media. 
# Finally, the seventh section focuses on "Text Heavy Videos", illustrating the trend of using text-heavy videos in design. 
# Each section is filled with relevant images and text, providing a comprehensive overview of the 7 graphic design trends that will dominate in 2021.

###############
# Second Round
###############
query1 = 'what is the detailed explanation of the third part.'
with torch.cuda.amp.autocast():
  response, _ = model.chat(tokenizer, query=query1, image=image, hd_num=55, history=his, do_sample=False, num_beams=3)
print(response)
# The third part of the infographic is about "Geometric Shapes Everywhere". It explains that last year, designers used a lot of
# flowing and abstract shapes in their designs. However, this year, they have been replaced with rigid, hard-edged geometric
# shapes and patterns. The hard edges of a geometric shape create a great contrast against muted colors.



Open Source License

The code is licensed under Apache-2.0, while model weights are fully open for academic research and also allow free commercial usage. To apply for a commercial license, please fill in the application form (English)/申请表(中文). For other questions or collaborations, please contact internlm@pjlab.org.cn.

Как запустить

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

GPU в ailist

Универсальный рантайм

Нельзя запустить

Код из репозитория вместе с pickle-весами (.bin) не запускается из соображений безопасности.

Класс архитектуры
InternLM2ForCausalLM
Ревизия весов
a2c222e

0 моделей