/ Модель

Характеристики

Контекст
32 768 токенов
Параметры
31,7 млрд
Размер весов
65,9 ГБ
Лицензия
Apache 2.0
Архитектура
llava · dense
Опубликована
16 июл 2024

LLaVA-NeXT-Video-32B-Qwen

Генерация текстаТекст → текст3 профессии

Открытая мультимодальная чат-модель для анализа видео и изображений, создания описаний и ответов на вопросы по визуальному содержимому.

41скачиваний за 30 дней17лайковвеса обновлены4 окт 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-NeXT-Video-32B-Qwen — открытая мультимодальная чат-модель от lmms-lab для понимания видео и изображений по текстовым инструкциям. Она принимает видео и текстовые запросы, а также поддерживает сценарии визуального вопросно-ответного взаимодействия. Модель построена на архитектуре LLaVA с языковой основой Qwen1.5-32B и содержит 31,7 млрд параметров; заявленная длина контекста — 32 768 токенов.

Модель дообучена на смешанных изображениях и видео, включая набор из 830 тысяч видеоданных. Она предназначена для анализа содержимого роликов, создания описаний и ответов на вопросы о событиях в видео; в README также приводятся результаты на видеобенчмарках. Лицензия — Apache-2.0. Авторы указывают исследовательское применение в области мультимодальных моделей и чат-ботов.

Сценарии применения

  • ответы на вопросы о содержимом видео
  • краткое описание видеороликов
  • анализ событий и сцен в видео
  • визуальные вопросы и ответы по изображениям
  • чат с моделью о содержимом видеокадров

Ограничения

Модель ориентирована на исследовательское применение; README не приводит подробных ограничений качества или подтверждений для конкретных прикладных областей.

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-NeXT-Video is upgraded 🚀

In our LLaVA-Video blog released this April, we shared two key observations:

  • 🎬 AnyRes provides a shared and flexible representation between images and videos, and thus accommodates capability transfer between the two most common vision signals. Therefore, stronger image LMMs can naturally lead to stronger zero-shot video LMMs.
  • 🗂️ There is a lack of high-quality language-video data, including video instruction-following data, and thus naive tuning on existing public data at that time results in performance degradation. Therefore, there is an urgent need to build high-quality video captions and QA datasets to train LMMs for improved video performance.

Based on the insights, the new LLaVA-NeXT-Video in this release improves from two aspects:

  • 🎬 A stronger image LMMs (LLaVA-NeXT-32B-Qwen), which is built by initializing from Qwen-1.5 32B LLM. We further initialize our video training from this image checkpoint.
  • 🗂️ A new high-quality video dataset with 830k samples. It is combined with LLaVA-1.6 image training data, and applying the same image-video mixed training procedure leads to the new video model. The new model achieves the best open-source performance in several video benchmarks including Video-MME.

Resources

  • Inference Script:
    bash scripts/video/demo/video_demo.sh lmms-lab/LLaVA-NeXT-Video-32B-Qwen 32 2 average after grid True playground/demo/xU25MMA2N4aVtYay.mp4
    

Evaluation Results

ModelNextQA-MCvideo-mme(overall)EgochemaPerception Test (val)
w/o subsw subs
Proprietary
GPT-4o-71.977.272.2-
Gemini 1.5 Pro-75.081.372.2-
Open-Source
VideoLLaMA 2 (8x7B)76.3*47.950.353.351.2*
VILA-1.5-34B67.89*60.161.158.04*54
LLaVA-NeXT-Video (Qwen-32B)77.3160.263.060.8559.38

*Results are reproduced by lmms-eval. Please refer to the lmms-eval to reproduce the results.

Model details

Model type: LLaVA-Next-Video is an open-source chatbot trained by fine-tuning LLM on multimodal instruction-following data. Base LLM: Qwen/Qwen1.5-32B

Model date: LLaVA-NeXT-Video-32B-Qwen was trained in June 2024.

Paper or resources for more information: https://github.com/LLaVA-VL/LLaVA-NeXT

License

Qwen/Qwen1.5-32B license.

Where to send questions or comments about the model

https://github.com/LLaVA-VL/LLaVA-NeXT/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

Image

  • 558K filtered image-text pairs from LAION/CC/SBU, captioned by BLIP.
  • 158K GPT-generated multimodal instruction-following data.
  • 500K academic-task-oriented VQA data mixture.
  • 50K GPT-4V data mixture.
  • 40K ShareGPT data.

Video

  • 830k data

Citations


@misc{zhang2024videoinstructiontuningsynthetic,
    title={Video Instruction Tuning With Synthetic Data}, 
    author={Yuanhan Zhang and Jinming Wu and Wei Li and Bo Li and Zejun Ma and Ziwei Liu and Chunyuan Li},
    year={2024},
    eprint={2410.02713},
    archivePrefix={arXiv},
    primaryClass={cs.CV},
    url={https://arxiv.org/abs/2410.02713}, 
}

@misc{zhang2024llavanextvideo,
  title={LLaVA-NeXT: A Strong Zero-shot Video Understanding Model},
  url={https://llava-vl.github.io/blog/2024-04-30-llava-next-video/},
  author={Zhang, Yuanhan and Li, Bo and Liu, haotian and Lee, Yong jae and Gui, Liangke and Fu, Di and Feng, Jiashi and Liu, Ziwei and Li, Chunyuan},
  month={April},
  year={2024}
}

@misc{li2024llavanext-interleave,
  title={LLaVA-NeXT: Tackling Multi-image, Video, and 3D in Large Multimodal Models},
  url={https://llava-vl.github.io/blog/2024-06-16-llava-next-interleave/},
  author={Li, Feng and Zhang, Renrui and Zhang, Hao and Zhang, Yuanhan and Li, Bo and Li, Wei and Ma, Zejun and Li, Chunyuan},
  month={June},
  year={2024}
}

Как запустить

На своей GPU в ailist. Цена — по текущим предложениям провайдеров

GPU в ailist

Универсальный рантайм

Можно запустить

Подбираем GPU…

Класс архитектуры
LlavaQwenForCausalLM
Ревизия весов
95291f9

0 моделей