/ Модель

Характеристики

Контекст
4 096 токенов
Параметры
6,6 млрд
Размер весов
13,5 ГБ
Архитектура
llava · dense
Опубликована
5 окт 2023

llava-v1.5-7b

Генерация текстаТекст → текст3 профессии

LLaVA-v1.5-7B — мультимодальный чат-бот, который отвечает на текстовые вопросы об изображениях и выполняет инструкции с визуальным содержимым.

83 829скачиваний за 30 дней564лайкавеса обновлены8 мая 2024

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-v1.5-7B — открытый мультимодальный чат-бот, разработанный командой LLaVA путём дообучения LLaMA/Vicuna на сгенерированных GPT данных для следования инструкциям с изображениями. Это авторегрессионная модель на архитектуре Transformer; в репозитории указано 6,6 млрд параметров, а нативный контекст составляет 4096 токенов.

Модель принимает изображения вместе с текстовыми запросами и генерирует текстовые ответы. Она предназначена для визуальных вопросов и ответов, описания изображений и диалоговых сценариев, связывающих зрительное содержимое с инструкциями. Обучение включало пары изображение—текст, мультимодальные инструкции, данные VQA и диалоги ShareGPT; модель ориентирована на исследования и эксперименты в области компьютерного зрения и обработки естественного языка.

Карточка не указывает лицензию, поэтому условия использования по ней установить нельзя. Оценка приведена по набору из 12 тестов, включая академические VQA-бенчмарки; конкретные результаты и ограничения качества в карточке не приведены. Возможности модели ограничены изображениями и текстом, а контекст — 4096 токенами.

Сценарии применения

  • ответы на вопросы о содержимом изображения
  • описание объектов и сцен на изображении
  • диалог по изображению с уточняющими вопросами
  • выполнение мультимодальных инструкций для исследовательских прототипов

Ограничения

Нативный контекст ограничен 4096 токенами; модель рассчитана на изображения и текст. В карточке не приведены конкретные результаты бенчмарков и сведения о лицензии.

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-v1.5-7B was trained in September 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.
  • 158K GPT-generated multimodal instruction-following data.
  • 450K academic-task-oriented VQA data mixture.
  • 40K ShareGPT data.

Evaluation dataset

A collection of 12 benchmarks, including 5 academic VQA benchmarks and 7 recent benchmarks specifically proposed for instruction-following LMMs.

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
4481d27

0 моделей