/ Модель

Характеристики

Контекст
2 048 токенов
Параметры
12,9 млрд
Размер весов
26 ГБ
Архитектура
llava · dense
Опубликована
27 авг 2023

llava-lcs558k-scienceqa-vicuna-13b-v1.3

Генерация текстаТекст → текст3 профессии

Мультимодальная чат-модель LLaVA для ответов на вопросы по изображениям, их описания и визуального рассуждения, включая ScienceQA.

28скачиваний за 30 дней6лайковвеса обновлены27 авг 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-LCS558K-ScienceQA-Vicuna-13B-v1.3 — мультимодальная чат-модель проекта LLaVA, дообученная на основе LLaMA/Vicuna для следования инструкциям с изображениями и текстом. Это авторегрессионная трансформерная модель с архитектурой LlavaLlamaForCausalLM и 12,9 млрд параметров; контекст составляет 2048 токенов. Модель обучена в августе 2023 года.

Модель предназначена для исследовательских экспериментов и прототипов визуального диалога, описания изображений и ответов на вопросы по ним, включая задачи научного рассуждения ScienceQA. В обучении использованы 558 тысяч фильтрованных пар изображение–текст из LAION/CC/SBU с подписями BLIP и обучающая часть ScienceQA. В карточке описана предварительная оценка визуального рассуждения и результатов на ScienceQA.

Модель принимает изображения и текстовые инструкции и генерирует текстовые ответы. Лицензия в предоставленных данных не указана, поэтому условия распространения и коммерческого использования следует проверять в репозитории модели.

Сценарии применения

  • ответы на вопросы по изображениям
  • генерация подробных описаний изображений
  • визуальный диалог с изображением
  • решение научных вопросов ScienceQA по изображениям
  • прототипирование мультимодальных чат-ботов

Ограничения

Контекст ограничен 2048 токенами; в README приведена только предварительная оценка качества. Условия лицензии в доступных данных не указаны.

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

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-LCS558K-ScienceQA-Vicuna-13B-v1.3 was trained in August 2023.

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

License

Non-commerical Use.

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.
  • ScienceQA training set.

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
2a0a833

0 моделей