/ Модель

Характеристики

Контекст
4 096 токенов
Параметры
6,6 млрд
Размер весов
14,1 ГБ
Лицензия
Llama 2
Архитектура
llava · dense
Опубликована
16 апр 2024

LLaVA-NeXT-Video-7B

Генерация текстаТекст → текст3 профессии

LLaVA-NeXT-Video-7B — мультимодальный чат-бот для ответов на вопросы и создания описаний по видеоматериалам.

136скачиваний за 30 дней52лайкавеса обновлены21 фев 2025

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-7B — открытый мультимодальный чат-бот, разработанный LLaVA Lab и дообученный на базе языковой модели Vicuna 7B v1.5. Это плотная модель семейства LLaVA с архитектурой LlavaLlamaForCausalLM и 6,6 млрд параметров; репозиторий содержит веса Safetensors. Модель принимает текстовые инструкции вместе с видео и формирует текстовые ответы. В карточке указано окно контекста 4096 токенов.

Модель предназначена для диалога о видео, ответов на вопросы о его содержании и описания видеосцен. В обучении использованы данные VideoChatGPT-Instruct, а также наборы изображений и мультимодальных инструкций. Разработчики позиционируют её прежде всего для исследований в области компьютерного зрения и мультимодальных чат-ботов. Лицензия — Llama 2 Community License; условия лицензии следует учитывать при использовании и распространении модели.

Сценарии применения

  • ответы на вопросы о содержании видео
  • краткое описание видеосцен
  • диалоговый анализ видеороликов
  • поиск событий и объектов в видео по текстовому запросу

Ограничения

Окно контекста составляет 4096 токенов. Модель предназначена прежде всего для исследовательского использования; качество ответов может зависеть от видеосодержания и формулировки запроса.

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. This model is the one mentioned in:https://llava-vl.github.io/blog/2024-04-30-llava-next-video/ Base LLM: lmsys/vicuna-7b-v1.5

Model date: LLaVA-Next-Video-7B was trained in April 2024.

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

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/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
b83b80c

0 моделей