/ Модель

Характеристики

Контекст
4 096 токенов
Размер весов
28,3 ГБ
Лицензия
Llama 2
Архитектура
llava · dense
Базовая модель
llava-1.5-7b-hf
Опубликована
29 апр 2026

CIM-LLaVA1.5-7B-SFT

Изображение и текст → текст7 профессий

Мультимодальная модель LLaVA, дообученная для создания подробных и точных подписей к изображениям и ответов на вопросы о них.

23скачиваний за 30 дней0лайковвеса обновлены9 июн 2026

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.

  1. Добавьте модель в бенчмарк

    Вместе с другими моделями категории «Изображение → текст» — сравнение идёт внутри одной категории.

  2. Опишите свои задачи

    Напишите запросы, при необходимости приложите файлы и эталонные ответы.

  3. 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

CIM-LLaVA1.5-7B-SFT — мультимодальная модель семейства LLaVA, дообученная авторами с помощью SFT и GRPO с наградой Cross-modal Identity Mapping (CIM), описанной в статье CVPR 2026. Она предназначена для создания точных подробных подписей к изображениям: награды Gallery Representation Consistency и Query-gallery Image Relevance помогают сохранять информацию об изображении при преобразовании в текст без дополнительных аннотаций.

Модель принимает изображение и текстовый запрос и генерирует текст; её можно использовать для описания содержимого изображений и ответов на вопросы о них. Это дообучение LLaVA-1.5-7B, архитектура LlavaForConditionalGeneration, плотная модель с контекстом 4096 токенов. Репозиторий использует формат safetensors и лицензию Llama 2.

Сценарии применения

  • создание подробных подписей к изображениям
  • ответы на вопросы о содержимом изображения
  • выделение мелких деталей на изображении
  • сопоставление текстового описания с изображением

Ограничения

Качество подписей и ответов зависит от содержимого изображения; карточка не приводит оценки качества или подробные ограничения применения.

Для каких профессий подходит7

Разделы каталога профессий, в задачах которых используется эта модель

Все профессии

Также подходит для

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

CIM-LLaVA1.5-7B-SFT

This model is fine-tuned from LLaVA-1.5-7B using SFT + GRPO with the Cross-modal Identity Mapping (CIM) reward, as described in our CVPR 2026 paper.

arXiv GitHub

Overview

CIM is a reinforcement learning framework that improves image captioning by minimizing information loss during modality conversion. It uses two reward signals — Gallery Representation Consistency (GRC) and Query-gallery Image Relevance (QIR) — to encourage LVLMs to generate fine-grained and precise captions without extra annotations.

Usage

from transformers import LlavaForConditionalGeneration, AutoProcessor
from PIL import Image

model = LlavaForConditionalGeneration.from_pretrained("kkk5/CIM-LLaVA1.5-7B-SFT", torch_dtype="auto", device_map="auto")
processor = AutoProcessor.from_pretrained("kkk5/CIM-LLaVA1.5-7B-SFT")

image = Image.open("your_image.jpg").convert("RGB")
messages = [{"role": "user", "content": [
    {"type": "image"},
    {"type": "text", "text": "Caption this image as accurately as possible, without speculation. Describe what you see."},
]}]

text = processor.apply_chat_template(messages, add_generation_prompt=True)
inputs = processor(images=image, text=text, return_tensors="pt").to(model.device)

output_ids = model.generate(**inputs, max_new_tokens=1024)
output_text = processor.batch_decode(output_ids[:, inputs.input_ids.shape[1]:], skip_special_tokens=True)[0]
print(output_text)

Citation

@inproceedings{jia2026cross,
    title     = {Cross-modal Identity Mapping: Minimizing Information Loss in Modality Conversion via Reinforcement Learning},
    author    = {Jia, Haonan and Dong, Shichao and Dong, Xin and Sun, Zenghui and Wang, Jin and Lan, Jinsong and Zhu, Xiaoyong and Zheng, Bo and Zhang, Kaifu},
    booktitle = {Proceedings of the IEEE/CVF Conference on Computer Vision and Pattern Recognition},
    pages     = {766--777},
    year      = {2026}
}

Как запустить

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

GPU в ailist

Универсальный рантайм

Можно запустить

Подбираем GPU…

Класс архитектуры
LlavaForConditionalGeneration
Ревизия весов
27c9639

0 моделей