/ Модель

Характеристики

Контекст
8 192 токена
Параметры
7,2 млрд
Размер весов
16,8 ГБ
Архитектура
ferret_llama · dense
Библиотека
transformers
Опубликована
9 окт 2024

Ferret-UI-Llama8b

Генерация текстаТекст → текст3 профессии

Мультимодальная модель Apple на базе Llama 3 8B для распознавания, привязки и анализа элементов пользовательских интерфейсов по изображениям и текстовым запросам.

168скачиваний за 30 дней69лайковвеса обновлены8 янв 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

Ferret-UI-Llama8b — мультимодальная модель Apple для понимания пользовательских интерфейсов, основанная на Llama 3 8B. Она предназначена для распознавания и привязки элементов интерфейса к указаниям пользователя, а также для рассуждений и выполнения сложных задач в интерфейсах. Модель принимает изображения интерфейса и текстовые запросы и формирует текстовые ответы; её архитектура — плотная FerretLlamaForCausalLM, размер — 7,2 млрд параметров, контекст — до 8192 токенов. Для работы требуется библиотека Transformers и файлы реализации из репозитория. Условия лицензии в доступных данных не приведены.

Сценарии применения

  • ответы на вопросы о содержимом экрана приложения
  • поиск элементов интерфейса по текстовому описанию
  • привязка пользовательских указаний к элементам интерфейса
  • рассуждения о структуре мобильного интерфейса
  • выполнение сложных задач в пользовательских интерфейсах

Ограничения

README не сообщает языки модели и условия лицензии. Для запуска требуются файлы реализации из репозитория; заявленные возможности относятся к задачам понимания и выполнения действий в интерфейсах.

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

Ferret-UI is the first UI-centric multimodal large language model (MLLM) designed for referring, grounding, and reasoning tasks. Built on Gemma-2B and Llama-3-8B, it is capable of executing complex UI tasks. This is the Llama-3-8B version of ferret-ui. It follows from this paper by Apple.

How to Use 🤗📱

You will need first to download builder.py, conversation.py, inference.py, model_UI.py, and mm_utils.py locally.

wget https://huggingface.co/jadechoghari/Ferret-UI-Gemma2b/raw/main/conversation.py
wget https://huggingface.co/jadechoghari/Ferret-UI-Gemma2b/raw/main/builder.py
wget https://huggingface.co/jadechoghari/Ferret-UI-Gemma2b/raw/main/inference.py
wget https://huggingface.co/jadechoghari/Ferret-UI-Gemma2b/raw/main/model_UI.py
wget https://huggingface.co/jadechoghari/Ferret-UI-Gemma2b/raw/main/mm_utils.py

Usage:

from inference import inference_and_run
image_path = "appstore_reminders.png"
prompt = "Describe the image in details"

# Call the function without a box
inference_text = inference_and_run(image_path, prompt)

print("Inference Text:", inference_text)
# Task with bounding boxes
image_path = "appstore_reminders.png"
prompt = "What's inside the selected region?"
box = [189, 906, 404, 970]

inference_text = inference_and_run(
    image_path=image_path, 
    prompt=prompt, 
    conv_mode="ferret_llama_3", 
    model_path="jadechoghari/Ferret-UI-Llama8b", 
    box=box
)

print("Inference Text:", inference_text)
# GROUNDING PROMPTS
GROUNDING_TEMPLATES = [
	'\nProvide the bounding boxes of the mentioned objects.',
 	'\nInclude the coordinates for each mentioned object.',
	'\nLocate the objects with their coordinates.',
	'\nAnswer in [x1, y1, x2, y2] format.',
	'\nMention the objects and their locations using the format [x1, y1, x2, y2].',
	'\nDraw boxes around the mentioned objects.',
	'\nUse boxes to show where each thing is.',
	'\nTell me where the objects are with coordinates.',
	'\nList where each object is with boxes.',
	'\nShow me the regions with boxes.'
]

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
FerretLlamaForCausalLM
Ревизия весов
442397e

0 моделей