/ Модель

Характеристики

Контекст
2 048 токенов
Параметры
6,6 млрд
Размер весов
13,5 ГБ
Лицензия
Apache 2.0
Архитектура
llava · dense
Опубликована
3 мая 2023

LLaVA-Lightning-7B-delta-v1-1

Генерация текстаТекст → текст3 профессии

Дельта-веса LLaVA на основе LLaMA для диалога по изображениям, их описания и визуальных рассуждений после применения к исходным весам LLaMA.

115скачиваний за 30 дней21лайквеса обновлены3 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-Lightning-7B-delta-v1-1 — дельта-веса модели LLaVA, разработанной как открытый чат-бот с поддержкой изображений. Модель основана на авторегрессионной архитектуре Transformer и LLaMA; для получения рабочих весов дельту необходимо применить поверх исходных весов LLaMA. Размер модели составляет 6,6 млрд параметров, контекст — 2048 токенов.

Модель предназначена для диалога по изображениям, их подробного описания и визуальных рассуждений. В обучении использовались пары изображение–текст из LAION, CC и SBU с подписями BLIP, а также данные мультимодального следования инструкциям, созданные GPT. В README описаны предварительные оценки на визуальных вопросах по изображениям COCO и на ScienceQA.

Карточка позиционирует LLaVA как инструмент для исследований мультимодальных моделей и чат-ботов, а целевой аудиторией называет исследователей и энтузиастов в области компьютерного зрения и машинного обучения. Репозиторий содержит дельта-веса, которые нельзя использовать отдельно. Лицензия — Apache 2.0.

Сценарии применения

  • ответы на вопросы о содержимом изображения
  • диалог с пользователем по изображению
  • подробное описание изображений
  • визуальные рассуждения по изображениям
  • ответы на вопросы ScienceQA с визуальной составляющей

Ограничения

Дельта-веса не работают самостоятельно: их нужно применить к исходным весам LLaMA. Оценка качества в README описана как предварительная и основана, в частности, на небольшом наборе из 90 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-Lightning 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

558K filtered image-text pairs from LAION/CC/SBU, captioned by BLIP. 80K 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
31e97e2

0 моделей