/ Модель

Характеристики

Контекст
2 048 токенов
Лицензия
Apache 2.0
Архитектура
tinyllava · dense
Базовая модель
siglip2-so400m-patch14-384
Библиотека
transformers
Опубликована
10 авг 2025

MicroLlava

Генерация текстаТекст → текст3 профессии

MicroLLaVA — компактная визуально-языковая модель примерно на 700 млн параметров для ответов на вопросы об изображениях и экспериментов с VLM.

24скачиваний за 30 дней6лайковвеса обновлены23 авг 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

MicroLLaVA — компактная визуально-языковая модель автора keeeeenw, созданная на базе TinyLLaVA Factory для ответов на вопросы об изображениях и экспериментов с VLM на доступном оборудовании. Она объединяет языковую модель MicroLlama примерно на 300 млн параметров и визуальный энкодер SigLIP2 примерно на 400 млн параметров; общий размер составляет около 700 млн параметров. Модель реализована для Transformers и PyTorch, веса опубликованы в формате safetensors.

Модель принимает изображение и текстовый вопрос, а в ответ генерирует текст. В README указана точность 56,91% на VQAv2 test-dev. Её предполагаемые сценарии — быстрое исследование визуально-языковых моделей на ограниченном оборудовании, учебные демонстрации и дообучение для конкретных задач. README приводит англоязычные метаданные; поддержка других языков не подтверждена.

Небольшой размер языковой модели может ограничивать глубину рассуждений и качество OCR; результат зависит от предметной области и качества изображения. Модель имеет минимальную фильтрацию безопасности, поэтому для ответственных применений требуется человеческая проверка и дополнительная защита. Лицензия — Apache-2.0.

Сценарии применения

  • ответы на вопросы по изображению
  • определение объектов и деталей на изображении по запросу
  • учебные демонстрации визуально-языковых моделей
  • эксперименты с VLM на одной потребительской видеокарте
  • дообучение модели для задач анализа изображений

Ограничения

Небольшой размер модели может ограничивать глубину рассуждений и качество OCR, а качество ответов зависит от предметной области и изображения. Фильтрация безопасности минимальна; для ответственных сценариев необходимы дополнительные меры защиты и человеческая проверка.

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

MicroLLaVA

A compact vision language model that you can pretrain and finetune on a single consumer GPU.

🔍 Performance & Training Highlights

  • 📊 VQAv2 Accuracy:
    Achieves 56.91% on VQAv2 dev/test — making MicroLLaVA one of the best-performing open-source language models with vision capabilities under 700M parameters.

  • 🧠 Parameter Budget:

    • 🗣️ Language Model: MicroLLaMA (300M)
    • 👁️ Vision Encoder: SigLIP2 (400M)
      → ~700M total parameters
  • 🏆 Best in Class:
    According to ChatGPT’s Deep Research Agent (Aug 2025):

    “No known open model below ~700M currently surpasses MicroLLaVA’s VQAv2 accuracy. Models that do perform better tend to have larger language components.”

  • 🧪 Ongoing Experiments:

    • 🔧 Qwen3-0.6B + SigLIP2
      → Training is converging, showing promising loss curves. (Qwen3-0.6B is significantly larger than MicroLLaMA.)
    • ❌ Gemma-3B-270M-IT + SigLIP2
      → Training did not converge, likely due to instability, bugs, or poor alignment under current hyperparameters.

📰 News and Updates

  • 08/17/2025: this hugging face repo is renamed to https://huggingface.co/keeeeenw/MicroLlava.
  • 08/17/2025: improved VQAv2 average dev-test score from 44.01% to 56.91% by upgrading the vision tower from SigLip to SigLip2.
  • 08/09/2025: initial version of MicroLlava released

🎯 TLDR

ItemDetail
FrameworkTransformers + PyTorch
Checkpoint typesafetensors
LLMkeeeeenw/MicroLlama (about 300M parameters)
Vision towersiglip-so400m-patch14-384
Hardware usedSingle NVIDIA RTX 4090
Training stackNo DeepSpeed required
Intended tasksVisual Question Answering, caption-style prompts

📋 Introduction

MicroLLaVA is a TinyLLaVA Factory based model that pairs a very small language model keeeeenw/MicroLlama with an efficient SigLIP vision encoder.
The goal is to create a vision language model that almost anyone can train and iterate on with one consumer GPU.

Because of its compact size, this model can be trained entirely on a single NVIDIA RTX 4090 without DeepSpeed.

Pretraining on LAION-CC-SBU-558K took about 5 hours on a single NVIDIA RTX 4090 without DeepSpeed.

Supervised finetuning on all datasets from the TinyLLaVA Factory guide (except ocr_vqa) took about 12 hours on the same GPU.


🚀 Quick start

from transformers import AutoTokenizer, AutoProcessor, AutoModelForCausalLM
import torch

repo_id = "keeeeenw/MicroLlava"

tokenizer = AutoTokenizer.from_pretrained(repo_id)

# If processor config is available
try:
    processor = AutoProcessor.from_pretrained(repo_id)
except Exception:
    processor = None  # Optional if images are preprocessed manually

model = AutoModelForCausalLM.from_pretrained(
    repo_id,
    torch_dtype=torch.float16,
    device_map="auto",
    trust_remote_code=True  # Set to True if repo includes custom code
)

inputs = tokenizer("Describe the image in one sentence.", return_tensors="pt").to(model.device)
output_ids = model.generate(**inputs, max_new_tokens=64)
print(tokenizer.decode(output_ids[0], skip_special_tokens=True))

🏆 Evaluation

VQAv2 Evaluation Results (MicroLlama 300M + Siglip2-so400m-patch4-384)

Question TypeAccuracy
Yes/No72.32%
Number43.89%
Other46.65%
Overall56.91%

Evaluated on VQAv2 test-dev split

(Previous version) VQAv2 Evaluation Results (MicroLlama 300M + Siglip-so400m-patch4-384)

Question TypeAccuracy
Yes/No65.08%
Number28.97%
Other29.32%
Overall44.01%

Evaluated on VQAv2 test-dev split

More evaluation results will be added in the coming days.

Community contributions with benchmark results are welcome and encouraged.


✅ Intended uses and limitations

Intended uses

  • Rapid experimentation for vision-language research on limited hardware
  • Educational demonstrations for students and hobbyists
  • Starting point for domain-specific finetuning

Limitations

  • The small LLM size and compact vision encoder may limit reasoning depth and OCR performance
  • Performance can vary significantly depending on the image domain and quality
  • The model includes minimal safety filtering and refusal behavior — downstream applications should implement their own safeguards

⚠️ This model should not be used for applications that may cause harm or have significant safety, financial, legal, or medical implications without thorough human review.


📝 Citation

@misc{wang2024microllama,
  title        = {MicroLLaVA: a TinyLLaVA based VLM with MicroLlama 300M for single GPU training},
  author       = {Zixiao Ken Wang},
  year         = {2025},
  url          = {https://huggingface.co/keeeeenw/MicroLlava}
}

📄 License

This model is released under the Apache License 2.0.

You are free to use, modify, and distribute this model and its derivatives, provided that you comply with the terms of the license.
If you use this model in your research or applications, please credit the original authors and clearly indicate any modifications you have made.

Note: Ensure that the datasets used for pretraining or finetuning also allow redistribution of derived model weights.


🙏 Acknowledgements

This work builds upon the efforts of many in the open-source AI community:

  • TinyLLaVA Factory maintainers and contributors for creating the training framework
  • keeeeenw/MicroLlama I am also the creator of MicroLlama. Please help support my work!
  • SigLIP2 authors for the efficient vision encoder architecture
  • Contributors to LAION-CC-SBU-558K and other datasets used in pretraining and finetuning
  • The Hugging Face ecosystem for hosting, tools, and community support

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
TinyLlavaForConditionalGeneration
Ревизия весов
4c0a2b2

0 моделей