/ Модель

Характеристики

Контекст
4 096 токенов
Параметры
33,9 млрд
Размер весов
69,5 ГБ
Лицензия
Apache 2.0
Архитектура
llava · dense
Опубликована
16 апр 2024

LLaVA-NeXT-Video-34B

Генерация текстаТекст → текст3 профессии

LLaVA-NeXT-Video-34B — мультимодальный чат-бот для описания видео и изображений и ответов на вопросы об их содержимом.

153скачиваний за 30 дней16лайковвеса обновлены24 апр 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-34B — открытый чат-бот от lmms-lab, полученный дообучением большой языковой модели на мультимодальных данных для следования инструкциям. В основе лежит NousResearch/Nous-Hermes-2-Yi-34B; архитектура — плотная LlavaLlamaForCausalLM с 33,9 млрд параметров. Репозиторий содержит веса Safetensors, модель поддерживает чат и имеет контекст 4096 токенов.

Модель предназначена для диалога и ответов на вопросы по изображениям и видео: она может описывать визуальные материалы, отвечать на вопросы о содержимом роликов и выполнять задачи визуального вопросно-ответного взаимодействия. Обучение включало наборы изображений, мультимодальные инструкции, академические VQA-задачи и 100 тысяч примеров VideoChatGPT-Instruct. Основная аудитория — исследователи и энтузиасты компьютерного зрения, NLP и машинного обучения.

Модель лицензирована по Apache-2.0. Карточка не уточняет поддерживаемые естественные языки. Ограничения включают контекст в 4096 токенов; качество ответов может зависеть от визуального содержимого и обучающих данных, а результаты оценивались на ограниченном наборе из четырёх бенчмарков.

Сценарии применения

  • ответы на вопросы о содержимом видео
  • краткое описание видеороликов
  • ответы на вопросы по изображениям
  • исследование мультимодальных чат-ботов

Ограничения

Контекст модели ограничен 4096 токенами. В README описана оценка на четырёх бенчмарках, поэтому она не характеризует все возможные сценарии использования.

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 Model Card

Model details

Model type: LLaVA-Next-Video is an open-source chatbot trained by fine-tuning LLM on multimodal instruction-following data. Base LLM: NousResearch/Nous-Hermes-2-Yi-34B

Model date: LLaVA-Next-Video-34B was trained in April 2024.

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

License

NousResearch/Nous-Hermes-2-Yi-34B 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

  • 100K VideoChatGPT-Instruct.

Evaluation dataset

A collection of 4 benchmarks, including 3 academic VQA benchmarks and 1 captioning benchmark.

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
91b8947

0 моделей