/ Модель

Характеристики

Контекст
2 048 токенов
Параметры
12,9 млрд
Размер весов
26 ГБ
Лицензия
Apache 2.0
Архитектура
llava · dense
Опубликована
8 мая 2023

LLaVA-13b-delta-v1-1

Генерация текстаТекст → текст3 профессии

Delta-чекпойнт LLaVA на 13 млрд параметров для создания чат-бота, отвечающего на вопросы об изображениях после применения к исходным весам LLaMA.

85скачиваний за 30 дней14лайковвеса обновлены8 мая 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

LLaVA-13b-delta-v1-1 — delta-чекпойнт мультимодального чат-бота LLaVA, разработанного командой LLaVA. Это авторегрессионная трансформерная модель семейства LLaVA с плотной архитектурой на 12,9 млрд параметров. Delta-файл нельзя использовать самостоятельно: его необходимо применить к исходным весам LLaMA, чтобы получить полные веса LLaVA.

Модель предназначена для диалога по изображениям, описания визуального содержимого и ответов на вопросы, требующие визуального рассуждения. Она обучена на 595 тысячах пар изображение–текст из CC3M и 150 тысячах примеров мультимодального следования инструкциям, сгенерированных GPT. Контекст — 2048 токенов. Карточка описывает исследовательское применение; лицензия — Apache License 2.0.

Модель демонстрировала результаты на предварительном наборе визуальных вопросов по изображениям COCO и на ScienceQA. При этом README предупреждает, что delta-чекпойнт не является готовой к запуску моделью и требует исходных весов LLaMA. В метаданных задача указана как text-generation, хотя практическое назначение LLaVA мультимодально.

Сценарии применения

  • ответы на вопросы по изображению
  • создание диалогового чат-бота для визуального анализа
  • подробное описание изображений
  • визуальное рассуждение по содержимому изображения
  • исследования мультимодальных языковых моделей

Ограничения

Delta-чекпойнт нельзя использовать напрямую: для получения полной модели нужны исходные веса LLaMA. README приводит предварительную оценку на ограниченном наборе визуальных вопросов.

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.

Model date: LLaVA was trained in May 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. 150K GPT-generated multimodal instruction-following data.

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
LlavaLlamaForCausalLM
Ревизия весов
2c70869

0 моделей