/ Модель

Характеристики

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

LLaVA-NeXT-Video-7B-DPO

Генерация текстаТекст → текст3 профессии

Мультимодальный чат-бот LLaVA-NeXT для ответов на вопросы и диалога по видео и изображениям.

299скачиваний за 30 дней29лайковвеса 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-DPO — мультимодальный чат-бот семейства LLaVA, разработанный lmms-lab и дообученный на основе Vicuna-7B-v1.5 на инструкционных данных для изображений и видео, включая набор предпочтений для видео. Модель содержит 6,6 млрд параметров, использует плотную архитектуру LlavaLlamaForCausalLM и принимает видео вместе с текстовыми запросами; длина контекста — 4096 токенов.

Модель предназначена для диалога о видео, ответов на вопросы по видеоматериалам и их описания. Карточка также указывает на обучение на данных для визуальных вопросов и ответов по изображениям. Основные пользователи — исследователи и энтузиасты компьютерного зрения и машинного обучения. Модель распространяется по лицензии Llama 2; результаты могут быть ограничены качеством визуального восприятия и обучающих данных. Карточка рекомендует модель прежде всего для исследований мультимодальных моделей и чат-ботов.

Сценарии применения

  • ответы на вопросы о содержании видео
  • краткое описание видеоролика
  • диалог о последовательности событий в видео
  • визуальные вопросы и ответы по изображениям

Ограничения

Качество ответов зависит от точности визуального восприятия и покрытия обучающих данных. Карточка позиционирует модель главным образом для исследований мультимодальных моделей и чат-ботов.

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-DPO 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

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
643c648

0 моделей