/ Модель

Характеристики

Контекст
4 096 токенов
Параметры
12,9 млрд
Размер весов
26 ГБ
Архитектура
llava · dense
Опубликована
19 июл 2023

llava-llama-2-13b-chat-lightning-preview

Генерация текстаТекст → текст3 профессии

Мультимодальная чат-модель LLaVA на 12,9 млрд параметров для ответов на вопросы и рассуждений по изображениям.

489скачиваний за 30 дней47лайковвеса обновлены31 июл 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-LLaMA-2-13B-Chat-Lightning-Preview — открытая мультимодальная чат-модель проекта LLaVA, дообученная на базе LLaMA/Vicuna на инструкциях, сгенерированных GPT. Это авторегрессионная трансформерная модель с плотной архитектурой LlavaLlamaForCausalLM и 12,9 млрд параметров; репозиторий содержит веса PyTorch. Версия была обучена в июле 2023 года.

Модель предназначена для исследовательской работы и экспериментов с мультимодальными чат-ботами. Она принимает изображения вместе с текстовыми запросами и генерирует текстовые ответы: может описывать изображения, отвечать на вопросы о них и выполнять визуальные рассуждения. В обучающих данных использовались 558 тысяч пар изображение—текст с подписями BLIP и 80 тысяч мультимодальных инструкций GPT. Контекст составляет 4096 токенов.

README приводит предварительную оценку на небольшом наборе визуальных вопросов и на ScienceQA, но не даёт оснований считать качество надёжно подтверждённым для широкого круга сценариев. Модель основана на LLaMA 2; условия лицензирования в предоставленных данных не указаны.

Сценарии применения

  • описание содержимого изображения в диалоге
  • ответы на вопросы о деталях изображения
  • визуальные рассуждения по изображению
  • эксперименты с мультимодальными чат-ботами

Ограничения

Оценка качества в README предварительная и основана на небольшом наборе визуальных вопросов и ScienceQA; результаты могут не отражать качество в других сценариях. Условия лицензирования не приведены в доступных данных.

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-LLaMA-2-13B-Chat-Preview was trained in July 2023.

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

License

Llama 2 is licensed under the LLAMA 2 Community License, Copyright (c) Meta Platforms, Inc. All Rights Reserved.

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
bcda022

0 моделей