/ 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
15 июн 2026

Re3Cap-CLIP-LLaVA1.5-7B

Изображение и текст → текст6 профессий

Мультимодальная модель на базе LLaVA-1.5-7B для генерации и уточнения подписей к изображениям с помощью стратегии Re³Cap и CLIP-награды.

24скачиваний за 30 дней0лайковвеса обновлены4 сен 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

Re3Cap-CLIP-LLaVA1.5-7B — мультимодальная модель для описания изображений, разработанная на основе LLaVA-1.5-7B. Её дообучили методом GRPO с наградой по сходству изображения и текста в CLIP и стратегией Re³Cap, которая уточняет подпись с помощью поиска и оценки качества.

Модель предназначена для генерации более точных и подробных подписей к изображениям: компоненты Caption Refinement Suggester и Caption Quality Assessor помогают выявлять галлюцинации и пропущенные детали. Она принимает изображение и текстовый запрос, а выдаёт текст; архитектура — плотная LLaVA, формат весов — safetensors, контекст — 4096 токенов. Поддерживаемые языки в предоставленных данных не указаны.

Лицензия — Llama 2. Количественные оценки качества и дополнительные ограничения в карточке не приведены.

Сценарии применения

  • создание подробных подписей к изображениям
  • уточнение автоматически сгенерированного описания изображения
  • проверка подписи на пропущенные детали
  • снижение галлюцинаций в описаниях изображений
  • ответы на текстовые вопросы с учётом изображения

Ограничения

Карточка не приводит количественных оценок качества или подробных ограничений по применению. Языки, на которых модель проверена или специально оптимизирована, в предоставленных данных не указаны.

Для каких профессий подходит6

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

Re3Cap-CLIP-LLaVA1.5-7B

This model is fine-tuned from LLaVA-1.5-7B using GRPO with the CLIP image-text similarity (CLIP) reward and the Re³Cap retrieval-guided refinement strategy, as described in our EMNLP 2026 Main paper.

arXiv

Overview

Re³Cap (Retrieval-Guided Refinement for Image Captioning) is a retrieval-guided reasoning strategy that improves image captioning without requiring additional annotations. It is instantiated by Caption Refinement Suggester (CRS) and Caption Quality Assessor (CQA), which together identify hallucinations and omissions in generated captions, leading to more accurate and detailed descriptions.

This checkpoint applies Re³Cap on top of the CLIP reward, which uses the CLIP image-text similarity score between the image and the generated caption as the reward signal (Cho et al., 2022).

Usage

from transformers import LlavaForConditionalGeneration, AutoProcessor
from PIL import Image

model = LlavaForConditionalGeneration.from_pretrained("kkk5/Re3Cap-CLIP-LLaVA1.5-7B", torch_dtype="auto", device_map="auto")
processor = AutoProcessor.from_pretrained("kkk5/Re3Cap-CLIP-LLaVA1.5-7B")

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{jia2026re3cap,
    title     = {Re$^3$Cap: Retrieval-Guided Refinement for Image Captioning Enhancement via Reinforcement Learning},
    author    = {Jia, Haonan and Dong, Shichao and Sun, Zenghui and Zheng, Jiawen and Miao, Ziqi and Shi, Gege and Zhao, Qiuyu and Lan, Jinsong and Zhu, Xiaoyong and Zheng, Bo},
    booktitle = {Proceedings of the 2026 Conference on Empirical Methods in Natural Language Processing},
    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
90a6384

0 моделей