/ Модель

Характеристики

Контекст
4 096 токенов
Параметры
6,6 млрд
Размер весов
13,5 ГБ
Лицензия
CC BY-NC-ND 4.0
Архитектура
llava_llama · dense
Базовая модель
llava-v1.5-7b
Библиотека
transformers
Опубликована
15 июл 2025

UV-CoT

Генерация текстаТекст → текст3 профессии

UV-CoT — дообученная на предпочтениях мультимодальная модель для визуального рассуждения и ответов на вопросы об изображениях.

24скачиваний за 30 дней5лайковвеса обновлены17 июл 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

UV-CoT — мультимодальная модель на основе LLaVA-1.5-7B, дообученная авторами проекта методом предпочтений для рассуждений о визуальном содержимом. Подход Unsupervised Visual CoT автоматически формирует варианты ограничивающих рамок, оценивает их с помощью модели-оценщика и использует сравнения для обучения без обширного набора размеченных рамок.

Модель предназначена для ответов на текстовые вопросы об изображениях и задач визуального рассуждения, особенно пространственного. В качестве архитектуры указана LLaVA с языковой частью Llama; размер — 6,6 млрд параметров, контекст — 4096 токенов. Модель принимает изображения и текст, а выдаёт текстовые ответы. Для использования доступна библиотека Transformers и формат safetensors. Лицензия CC BY-NC-ND 4.0 запрещает коммерческое использование и распространение производных версий.

Сценарии применения

  • ответы на вопросы о содержимом изображения
  • пространственное рассуждение по изображению
  • определение ключевых областей изображения для объяснения ответа

Ограничения

Описанный подход особенно нацелен на пространственное рассуждение; в README не приведены количественные результаты оценки. Лицензия запрещает коммерческое использование и распространение производных версий.

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

UV-CoT: Unsupervised Visual Chain-of-Thought Reasoning via Preference Optimization

This repository hosts the UV-CoT model, presented in the paper Unsupervised Visual Chain-of-Thought Reasoning via Preference Optimization.

Overview

Chain-of-thought (CoT) reasoning greatly improves the interpretability and problem-solving abilities of multimodal large language models (MLLMs). Existing approaches primarily focus on text CoT, limiting their ability to leverage visual cues. Unsupervised Visual CoT (UV-CoT) introduces a novel framework for image-level CoT reasoning via preference optimization, eliminating the need for extensive labeled bounding-box data.

UV-CoT achieves this by performing preference comparisons between model-generated bounding boxes. It generates preference data automatically, then uses an evaluator MLLM (e.g., OmniLLM-12B) to rank responses, which serves as supervision to train the target MLLM (e.g., LLaVA-1.5-7B). This approach emulates human perception—identifying key regions and reasoning based on them—thereby improving visual comprehension, particularly in spatial reasoning tasks.

Visualizations

Qualitative examples demonstrating UV-CoT's visual reasoning:

Installation

To set up the environment and install necessary packages, follow these steps:

  1. Clone this repository and navigate to the UV-CoT folder:

    git clone https://github.com/UV-CoT
    cd UV-CoT
    
  2. Create a conda environment and install the package:

    conda create -n uv-cot python=3.10 -y
    conda activate uv-cot
    pip install -e .
    
  3. Install the required spaCy model:

    wget https://github.com/explosion/spacy-models/releases/download/en_core_web_trf-3.7.3/en_core_web_trf-3.7.3.tar.gz
    pip install en_core_web_trf-3.7.3.tar.gz
    

Usage

You can load and use the UV-CoT model with the transformers library. For detailed information on preference data curation, training, and evaluation, please refer to the official GitHub repository.

Here's a basic example of how to use the model for inference:

from transformers import AutoProcessor, AutoModelForCausalLM
from PIL import Image
import requests
import torch

# Load model and processor
model_id = "kesenZhaoNTU/UV-CoT" # Use this model_id to load UV-CoT
model = AutoModelForCausalLM.from_pretrained(model_id, torch_dtype="auto", device_map="auto")
processor = AutoProcessor.from_pretrained(model_id)

# Load an example image
image_url = "https://huggingface.co/datasets/huggingface/documentation-images/resolve/main/transformers/tasks/bird.jpg"
image = Image.open(requests.get(image_url, stream=True).raw).convert("RGB")

# Define the conversation prompt
prompt = "Describe the image in detail."
messages = [
    {"role": "user", "content": f"<image>
{prompt}"}
]

# Apply the chat template to format the prompt for the model
text = processor.apply_chat_template(messages, add_generation_prompt=True)

# Prepare inputs for the model
inputs = processor(text=text, images=image, return_tensors="pt").to(model.device)

# Generate response
output = model.generate(**inputs, max_new_tokens=200)
print(processor.decode(output[0], skip_special_tokens=True))

Citation

If our work assists your research, feel free to give us a star ⭐ or cite us using:

@misc{zhao2025unsupervisedvisualchainofthoughtreasoning,
      title={Unsupervised Visual Chain-of-Thought Reasoning via Preference Optimization}, 
      author={Kesen Zhao and Beier Zhu and Qianru Sun and Hanwang Zhang},
      year={2025},
      eprint={2504.18397},
      archivePrefix={arXiv},
      primaryClass={cs.CV},
      url={https://arxiv.org/abs/2504.18397}, 
}

Как запустить

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

GPU в ailist

Универсальный рантайм · transformers

Нельзя запустить

Архитектура llava_llama неизвестна transformers в образе рантайма.

Класс архитектуры
LlavaLlamaForCausalLM
Ревизия весов
6ef597d

0 моделей