/ Модель

Характеристики

Контекст
2 048 токенов
Опубликована
29 апр 2024

TinyLLaVA-OpenELM-450M-CLIP-0.55B

Генерация текстаТекст → текст3 профессии

Компактная мультимодальная модель TinyLLaVA для генерации ответов на вопросы об изображениях.

508скачиваний за 30 дней6лайковвеса обновлены30 мая 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

TinyLLaVA-OpenELM-450M-CLIP-0.55B — компактная мультимодальная модель семейства TinyLLaVA, обученная с помощью TinyLLaVA Factory. В качестве языковой части используется OpenELM-450M-Instruct, а для обработки изображений — CLIP ViT-B/16; модель обучена на наборе LLaVA. В метаданных Hugging Face для неё указан pipeline text-generation и архитектурный класс TinyLlavaForConditionalGeneration.

Модель предназначена для диалога и ответов на вопросы об изображениях, включая визуальные вопросы и задачи понимания сцен. В README приведены результаты на GQA, TextVQA, ScienceQA, VQAv2, MME, MMB и MM-VET. Это небольшая модель, удобная для экспериментов с мультимодальными системами и сценариев с ограниченными ресурсами; показатели в таблице относятся к опубликованным тестам и не гарантируют качество на иных данных. Лицензия в предоставленных материалах не указана.

Сценарии применения

  • ответы на вопросы по изображению
  • описание объектов и сцен на изображениях
  • решение визуальных вопросов с выбором ответа
  • ответы на вопросы по тексту на изображениях
  • эксперименты с компактными мультимодальными моделями

Ограничения

Компактный размер сопровождается более низкими результатами, чем у более крупных вариантов TinyLLaVA, в приведённых тестах. Лицензия и поддерживаемые естественные языки в предоставленных материалах не обозначены.

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

TinyLLaVA

arXivGithubDemo TinyLLaVA has released a family of small-scale Large Multimodel Models(LMMs), ranging from 0.55B to 3.1B. Our best model, TinyLLaVA-Phi-2-SigLIP-3.1B, achieves better overall performance against existing 7B models such as LLaVA-1.5 and Qwen-VL.

TinyLLaVA

Here, we introduce TinyLLaVA-OpenELM-450M-CLIP-0.55B, which is trained by the TinyLLaVA Factory codebase. For LLM and vision tower, we choose OpenELM-450M-Instruct and clip-vit-base-patch16, respectively. The dataset used for training this model is the LLaVA dataset.

Usage

Execute the following test code:

from transformers import AutoTokenizer, AutoModelForCausalLM
hf_path = 'jiajunlong/TinyLLaVA-OpenELM-450M-CLIP-0.55B'
model = AutoModelForCausalLM.from_pretrained(hf_path, trust_remote_code=True)
model.cuda()
config = model.config
tokenizer = AutoTokenizer.from_pretrained(hf_path, use_fast=False, model_max_length = config.tokenizer_model_max_length,padding_side = config.tokenizer_padding_side)
prompt="What are these?"
image_url="http://images.cocodataset.org/test-stuff2017/000000000001.jpg"
output_text, genertaion_time = model.chat(prompt=prompt, image=image_url, tokenizer=tokenizer)
print('model output:', output_text)
print('runing time:', genertaion_time)

Result

model_namegqatextvqasqavqav2MMEMMBMM-VET
TinyLLaVA-1.5B60.351.760.376.91276.555.225.8
TinyLLaVA-0.55B50.3836.3750.0265.441056.6926.2915.4

P.S. TinyLLaVA Factory is an open-source modular codebase for small-scale LMMs with a focus on simplicity of code implementations, extensibility of new features, and reproducibility of training results. This code repository provides standard training&evaluating pipelines, flexible data preprocessing&model configurations, and easily extensible architectures. Users can customize their own LMMs with minimal coding effort and less coding mistake. TinyLLaVA Factory integrates a suite of cutting-edge models and methods.

  • LLM currently supports OpenELM, TinyLlama, StableLM, Qwen, Gemma, and Phi.
  • Vision tower currently supports CLIP, SigLIP, Dino, and combination of CLIP and Dino.
  • Connector currently supports MLP, Qformer, and Resampler.

Как запустить

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

GPU в ailist

Универсальный рантайм

Нельзя запустить

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

Класс архитектуры
TinyLlavaForConditionalGeneration
Ревизия весов
59d9f93

0 моделей