/ Модель

Характеристики

Контекст
224 000 токенов
Параметры
7,1 млрд
Размер весов
15,9 ГБ
Архитектура
llava_qwen · dense
Опубликована
21 июн 2024

LongVA-7B-DPO

Генерация текстаТекст → текст3 профессии

Мультимодальная модель LlavaQwen на 7,1 млрд параметров для диалога и анализа длинных видео и последовательностей кадров.

992скачиваний за 30 дней10лайковвеса обновлены26 июн 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

LongVA-7B-DPO — мультимодальная модель семейства LlavaQwen от команды LongVA, представленная в репозитории lmms-lab. Модель содержит 7,1 млрд параметров и предназначена для диалоговой генерации текста с анализом длинных визуальных последовательностей, в том числе видео. В карточке заявлена обработка до 2000 кадров или более 200 тысяч визуальных токенов; модель показывает высокие результаты на Video-MME среди моделей с 7 млрд параметров.

Модель подходит для вопросов и ответов по видео и длинным последовательностям изображений. Метаданные указывают на архитектуру LlavaQwen, поддержку чата и формат Safetensors; заявленная длина контекста составляет 224 000 токенов. Данные карточки не уточняют поддерживаемые естественные языки и лицензию, поэтому условия использования следует проверять в репозитории модели.

Сценарии применения

  • ответы на вопросы о содержании длинного видео
  • анализ последовательности до 2000 видеокадров
  • описание событий в видео по кадрам
  • диалоговый анализ визуальных последовательностей

Ограничения

Карточка не указывает лицензию и поддерживаемые языки. Заявления о качестве приведены для Video-MME и сравнения с моделями 7B; они не гарантируют результаты на других задачах.

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

LongVA

LongVA can process 2000 frames or over 200K visual tokens. It achieves state-of-the-art performance on Video-MME among 7B models.

Usage

First follow the instructions in our repo to install relevant packages.

from longva.model.builder import load_pretrained_model
from longva.mm_utils import tokenizer_image_token, process_images
from longva.constants import IMAGE_TOKEN_INDEX
from PIL import Image
from decord import VideoReader, cpu
import torch
import numpy as np
# fix seed
torch.manual_seed(0)
model_path = "lmms-lab/LongVA-7B-DPO"
image_path = "local_demo/assets/lmms-eval.png"
video_path = "local_demo/assets/dc_demo.mp4"
max_frames_num = 16 # you can change this to several thousands so long you GPU memory can handle it :)
gen_kwargs = {"do_sample": True, "temperature": 0.5, "top_p": None, "num_beams": 1, "use_cache": True, "max_new_tokens": 1024}
tokenizer, model, image_processor, _ = load_pretrained_model(model_path, None, "llava_qwen", device_map="cuda:0")
#image input
prompt = "<|im_start|>system\nYou are a helpful assistant.<|im_end|>\n<|im_start|>user\n<image>\nDescribe the image in details.<|im_end|>\n<|im_start|>assistant\n"
input_ids = tokenizer_image_token(prompt, tokenizer, IMAGE_TOKEN_INDEX, return_tensors="pt").unsqueeze(0).to(model.device)
image = Image.open(image_path).convert("RGB")
images_tensor = process_images([image], image_processor, model.config).to(model.device, dtype=torch.float16)
with torch.inference_mode():
    output_ids = model.generate(input_ids, images=images_tensor, image_sizes=[image.size], modalities=["image"], **gen_kwargs)
outputs = tokenizer.batch_decode(output_ids, skip_special_tokens=True)[0].strip()
print(outputs)
print("-"*50)
#video input
prompt = "<|im_start|>system\nYou are a helpful assistant.<|im_end|>\n<|im_start|>user\n<image>\nGive a detailed caption of the video as if I am blind.<|im_end|>\n<|im_start|>assistant\n"
input_ids = tokenizer_image_token(prompt, tokenizer, IMAGE_TOKEN_INDEX, return_tensors="pt").unsqueeze(0).to(model.device)
vr = VideoReader(video_path, ctx=cpu(0))
total_frame_num = len(vr)
uniform_sampled_frames = np.linspace(0, total_frame_num - 1, max_frames_num, dtype=int)
frame_idx = uniform_sampled_frames.tolist()
frames = vr.get_batch(frame_idx).asnumpy()
video_tensor = image_processor.preprocess(frames, return_tensors="pt")["pixel_values"].to(model.device, dtype=torch.float16)
with torch.inference_mode():
    output_ids = model.generate(input_ids, images=[video_tensor],  modalities=["video"], **gen_kwargs)
outputs = tokenizer.batch_decode(output_ids, skip_special_tokens=True)[0].strip()
print(outputs)

License

This project utilizes certain datasets and checkpoints that are subject to their respective original licenses. Users must comply with all terms and conditions of these original licenses, including but not limited to the OpenAI Terms of Use for the dataset and the specific licenses for base language models (Qwen2 license). This project does not impose any additional constraints beyond those stipulated in the original licenses. Furthermore, users are reminded to ensure that their use of the dataset and checkpoints is in compliance with all applicable laws and regulations.

Как запустить

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

GPU в ailist

Универсальный рантайм

Нельзя запустить

Архитектура llava_qwen неизвестна transformers в образе рантайма.

Класс архитектуры
LlavaQwenForCausalLM
Ревизия весов
57cadd8

0 моделей