Характеристики
- Параметры
- 403 млн
- Лицензия
- Apache 2.0
- Архитектура
- clip_vision_model · dense
- Опубликована
- 3 июл 2024
Ссылки
internlm-xcomposer2d5-clip
Визуальный CLIP-энкодер InternLM для извлечения признаков изображений и подключения визуального понимания к мультимодальным моделям XComposer2.5.
Бенчмарки
Как модель справилась с задачами пользователей ailist и что о ней публикуют открытые лидерборды
Тесты пользователейпока нет
Никто ещё не опубликовал тест этой модели. Соберите бенчмарк из своих задач — результат появится здесь.
Добавьте модель в бенчмарк
Вместе с другими моделями категории «Эмбеддинги» — сравнение идёт внутри одной категории.
Опишите свои задачи
Напишите запросы, при необходимости приложите файлы и эталонные ответы.
Запустите и опубликуйте
Модели ответят на каждую задачу, судья оценит ответы. Опубликованный результат появится на этой странице.
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/internlm-xcomposer2d5-clip — визуальный энкодер, разработанный командой InternLM для мультимодальной системы InternLM-XComposer2.5. Модель преобразует изображения в признаки, которые затем используются языковой моделью для понимания изображений, видео, многокадровых сцен и визуально-текстовых диалогов.
Модель основана на архитектуре CLIP Vision и содержит около 402,7 млн параметров. В Hugging Face она опубликована как модель для извлечения признаков и используется через Transformers и PyTorch; в официальной реализации InternLM-XComposer2.5 выступает как vision tower, подключаемый к языковой модели. Доступная модальность — изображения; сведений о поддерживаемых естественных языках и длине контекста для самой модели нет.
Сильная сторона модели — получение визуальных представлений для задач мультимодального понимания и интеграции с крупной языковой моделью. Это не самостоятельная чат-модель и не генератор текста: для ответов на вопросы, диалогов или создания описаний требуется мультимодальная система, использующая этот энкодер. Модель распространяется по лицензии Apache-2.0.
Сценарии применения
- извлечение признаков изображений для мультимодальных моделей
- понимание изображений в визуально-языковых диалогах
- анализ кадров видео
- обработка нескольких изображений в одной мультимодальной системе
- подготовка визуальных представлений для VQA
Ограничения
Модель предназначена прежде всего как визуальный компонент мультимодальной системы и сама по себе не генерирует ответы, диалоги или текстовые описания. Поддерживаемые естественные языки и длина контекста для этой модели отдельно не заявлены.
Для каких профессий подходит3
Разделы каталога профессий, в задачах которых используется эта модель
Карточка модели
README от автора на Hugging Face, как он его опубликовал
Автор не опубликовал карточку модели.
Как запустить
На своей GPU в ailist. Цена — по текущим предложениям провайдеров
GPU в ailist
Универсальный рантайм
Подбираем GPU…
- Класс архитектуры
- CLIPVisionModel
- Ревизия весов
- e466786