/ Модель

Характеристики

Контекст
2 048 токенов
Параметры
12,9 млрд
Размер весов
26 ГБ
Лицензия
Apache 2.0
Архитектура
llama · dense
Опубликована
22 апр 2023

LLaVA-13b-delta-v0-science_qa

Генерация текстаТекст → текст3 профессии

Дельта-веса мультимодальной LLaVA-13B, дообученной на ScienceQA для ответов на научные вопросы и визуальных рассуждений; для использования требуются исходные веса LLaMA.

22скачиваний за 30 дней6лайковвеса обновлены24 апр 2023

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 «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

liuhaotian/LLaVA-13b-delta-v0-science_qa — дельта-веса LLaVA, разработанной как открытый мультимодальный чат-бот; эта версия дообучена на наборе ScienceQA. Модель основана на авторегрессионном трансформере семейства LLaMA и содержит 12,9 млрд параметров. Для получения рабочих весов дельту необходимо применить поверх исходных весов LLaMA; сама по себе она не запускается.

Модель предназначена для исследовательской работы с мультимодальными чат-ботами и визуальными вопросами-ответами. Она принимает изображения и текстовые инструкции и генерирует текстовые ответы, в частности для научных вопросов и рассуждений по изображению. В обучении использовались 595 тыс. пар изображение–текст из CC3M и ScienceQA. Лицензия — Apache 2.0. README не сообщает о поддерживаемых естественных языках или длине контекста.

Сценарии применения

  • ответы на вопросы ScienceQA с опорой на изображение
  • визуальные рассуждения по научным иллюстрациям
  • диалоговые ответы на вопросы об изображениях
  • исследование мультимодальных чат-ботов

Ограничения

Дельта-веса нельзя использовать самостоятельно: их нужно применить поверх исходных весов LLaMA. Модель обучалась на ScienceQA и ограниченном наборе изображений; качество на других задачах и доменах может отличаться.

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

NOTE: This "delta model" cannot be used directly.
Users have to apply it on top of the original LLaMA weights to get actual LLaVA weights.
See https://github.com/haotian-liu/LLaVA#llava-weights for instructions.

LLaVA Model Card

Model details

Model type: LLaVA is an open-source chatbot trained by fine-tuning LLaMA/Vicuna on GPT-generated multimodal instruction-following data. It is an auto-regressive language model, based on the transformer architecture. This model is finetuned on ScienceQA dataset.

Model date: LLaVA was trained in April 2023.

Paper or resources for more information: https://llava-vl.github.io/

License: Apache License 2.0

Where to send questions or comments about the model: https://github.com/haotian-liu/LLaVA/issues

Intended use

Primary intended uses: The primary use of LLaVA is research on large multimodal models and chatbots.

Primary intended users: The primary intended users of the model are researchers and hobbyists in computer vision, natural language processing, machine learning, and artificial intelligence.

Training dataset

595K filtered image-text pairs from CC3M. ScienceQA dataset.

Evaluation dataset

A preliminary evaluation of the model quality is conducted by creating a set of 90 visual reasoning questions from 30 unique images randomly sampled from COCO val 2014 and each is associated with three types of questions: conversational, detailed description, and complex reasoning. We utilize GPT-4 to judge the model outputs. We also evaluate our model on the ScienceQA dataset. Our synergy with GPT-4 sets a new state-of-the-art on the dataset. See https://llava-vl.github.io/ for more details.

Как запустить

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

GPU в ailist

Универсальный рантайм

Можно запустить

Подбираем GPU…

Класс архитектуры
LlamaForCausalLM
Ревизия весов
a8b2027

0 моделей