/ Модель

Характеристики

Контекст
2 048 токенов
Параметры
12,9 млрд
Размер весов
26,6 ГБ
Архитектура
llava · dense
Опубликована
19 июл 2023

llava-v1-0719-336px-lora-merge-vicuna-13b-v1.3

Генерация текстаТекст → текст3 профессии

LLaVA — мультимодальная чат-модель для ответов на вопросы об изображениях, их описания и визуальных рассуждений.

30скачиваний за 30 дней9лайковвеса обновлены19 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-v1-0719-336px-LoRA-merge-Vicuna-13B-v1.3 — мультимодальная чат-модель проекта LLaVA, основанная на архитектуре Transformer и дообученная на LLaMA/Vicuna с данными для следования мультимодальным инструкциям. Вариант с разрешением изображений 336 px содержит 12,9 млрд параметров и имеет контекст 2048 токенов.

Модель принимает изображения и текстовые запросы и генерирует текстовые ответы. Она предназначена для диалога об изображениях, их подробного описания и визуальных вопросов, включая задачи на рассуждение; карточка также описывает оценивание на ScienceQA. Разработчики позиционируют LLaVA для исследований мультимодальных моделей и чат-ботов, а также для использования исследователями и энтузиастами в компьютерном зрении и машинном обучении.

Модель обучена на парах изображение–текст и мультимодальных инструкциях, сгенерированных GPT. В карточке не указана лицензия, поэтому условия использования по ней определить нельзя. Как исследовательский чат-чекпойнт, она может ошибаться при визуальном анализе и генерации ответов; приведённая оценка основана на небольшом наборе визуальных вопросов и ScienceQA.

Сценарии применения

  • ответы на вопросы по загруженному изображению
  • подробное описание содержания фотографии
  • визуальные рассуждения по изображению
  • диалог о сценах и объектах на изображениях
  • ответы на научные вопросы с опорой на изображение

Ограничения

Ответы модели могут содержать ошибки в распознавании деталей изображения и рассуждениях; описанная в карточке предварительная визуальная оценка охватывает 90 вопросов по 30 изображениям. Лицензия в предоставленной карточке не указана.

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-v1-0719-336px-LoRA-Vicuna-13B-v1.3 was trained in July 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.
  • 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
cf9e42a

0 моделей