/ Модель

Характеристики

Контекст
32 768 токенов
Параметры
7,1 млрд
Размер весов
15,1 ГБ
Лицензия
Apache 2.0
Архитектура
llava_mistral · dense
Опубликована
19 апр 2024

LLaVA-NeXT-Video-7B-32K

Генерация текстаТекст → текст3 профессии

Мультимодальный чат-бот для ответов на вопросы и описания содержания видео.

62скачиваний за 30 дней7лайковвеса обновлены25 авг 2024

Бенчмарки

Как модель справилась с задачами пользователей ailist и что о ней публикуют открытые лидерборды

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-32K — открытый мультимодальный чат-бот lmms-lab, созданный дообучением языковой модели Mistral на данных для следования инструкциям с изображениями и видео. Модель предназначена для диалога по видеоматериалам: она принимает видео и текстовые запросы, чтобы отвечать на вопросы и описывать содержание роликов. Также поддерживает задачи визуального вопросно-ответного взаимодействия.

Модель имеет плотную архитектуру LLaVA-Mistral с 7,1 млрд параметров и контекстом до 32 768 токенов. Базовая языковая модель — mistralai/Mistral-7B-Instruct-v0.2. Для обучения использовались наборы инструкций по изображениям и видео, включая VideoChatGPT-Instruct. Выпущена в формате Safetensors под лицензией Apache-2.0.

Карточка позиционирует модель прежде всего для исследований и экспериментов с мультимодальными чат-ботами. Её ответы могут быть неточными, а качество для конкретных типов видео и запросов следует проверять отдельно.

Сценарии применения

  • ответы на вопросы о содержании видео
  • краткое описание видеороликов
  • поиск событий и деталей в видеоматериале по текстовому запросу

Ограничения

Модель предназначена преимущественно для исследований и экспериментов; точность ответов на конкретных типах видео в карточке не гарантируется.

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: mistralai/Mistral-7B-Instruct-v0.2

Model date: LLaVA-Next-Video-7B-34K 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

Нельзя запустить

Архитектура llava_mistral неизвестна transformers в образе рантайма.

Класс архитектуры
LlavaMistralForCausalLM
Ревизия весов
eae0a24

0 моделей