/ Модель

Характеристики

Контекст
2 048 токенов
Размер весов
13,3 ГБ
Лицензия
CC BY-NC-SA 4.0
Архитектура
llava_mpt · dense
Опубликована
6 мая 2023

LLaVA-Lightning-MPT-7B-preview

Генерация текстаТекст → текст3 профессии

LLaVA-Lightning-MPT-7B-preview — мультимодальный чат-бот на базе MPT-7B-chat для ответов на вопросы и рассуждений по изображениям.

121скачиваний за 30 дней55лайковвеса обновлены5 ноя 2023

Бенчмарки

Как модель справилась с задачами пользователей ailist и что о ней публикуют открытые лидерборды

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-MPT-7B-preview — исследовательская предварительная версия мультимодального чат-бота LLaVA, разработанная на базе контрольной точки MPT-7B-chat. Это авторегрессионная модель на архитектуре Transformer, дообученная на данных для следования мультимодальным инструкциям. Она принимает изображения и текстовые запросы и генерирует текстовые ответы, в том числе описания изображений и ответы на вопросы о визуальном содержимом.

Модель предназначена для исследований мультимодальных языковых моделей и чат-ботов, а также для экспериментов с визуальным рассуждением. Для обучения использованы 558 тысяч пар изображение–текст из LAION/CC/SBU с подписями BLIP и 80 тысяч примеров мультимодальных инструкций, сгенерированных GPT. В README описаны предварительные оценки на визуальных вопросах по COCO и ScienceQA; результаты на ScienceQA приведены для связки с GPT-4.

Модель выпущена в мае 2023 года. Для использования не требуется преобразование delta-весов; репозиторий содержит веса PyTorch. Лицензия — CC-BY-NC-SA 4.0, а README указывает, что использование должно соответствовать лицензии и условиям MPT-7B-chat. Карточка представляет её как research preview, поэтому результаты предварительных оценок не следует трактовать как гарантию качества.

Сценарии применения

  • ответы на вопросы о содержимом изображения
  • подробное описание изображений
  • визуальное рассуждение по изображениям
  • эксперименты с мультимодальными чат-ботами

Ограничения

Это предварительная исследовательская версия; приведённые в README оценки являются предварительными и не гарантируют качество ответов. Использование ограничено условиями лицензии CC-BY-NC-SA 4.0 и лицензией и соглашениями MPT-7B-chat.

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 is a research preview of the LLaVA-Lightning based on MPT-7B-chat checkpoint. The usage of the model should comply with MPT-7B-chat license and agreements.

NOTE: Unlike other LLaVA models, this model can (should) be used directly without delta weights conversion!

LLaVA Model Card

Model details

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

Model date: LLaVA-Lightning-MPT was trained in May 2023.

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

License: CC-BY-NC-SA 4.0

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

Нельзя запустить

Архитектура llava_mpt неизвестна transformers в образе рантайма.

Класс архитектуры
LlavaMPTForCausalLM
Ревизия весов
c770dd9

0 моделей