/ Модель

Характеристики

Контекст
2 048 токенов
Параметры
1,3 млрд
Лицензия
Apache 2.0
Архитектура
mobilevlm · dense
Опубликована
31 дек 2023

MobileVLM-1.7B

Генерация текстаТекст → текст3 профессии

Компактная мультимодальная модель для ответов на вопросы об изображениях и визуально-языкового диалога с расчётом на мобильное развёртывание.

253скачиваний за 30 дней15лайковвеса обновлены8 янв 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

MobileVLM-1.7B — мультимодальная модель зрения и языка, разработанная авторами семейства MobileVLM для запуска на мобильных устройствах. Модель построена на MobileLLaMA-1.4B-Chat с визуальным энкодером, предварительно обученным в стиле CLIP, и эффективным проектором для связи изображений с языковой частью. В метаданных указаны архитектура MobileLlamaForCausalLM, 1,3 млрд параметров, контекст 2048 токенов и формат PyTorch.

Модель предназначена для диалога по изображениям и других сценариев визуально-языкового понимания с развёртыванием на устройствах с ограниченными ресурсами. В README сообщается о сопоставимой с рядом более крупных моделей производительности на типичных VLM-бенчмарках и приводятся результаты измерения скорости на Snapdragon 888 и NVIDIA Jetson Orin. Лицензия — Apache-2.0.

README не перечисляет поддерживаемые языки и не приводит подробностей о наборах данных или ограничениях качества; поэтому эти характеристики нельзя уточнить по доступным сведениям.

Сценарии применения

  • ответы на вопросы о содержимом изображений
  • описание изображений в мобильном приложении
  • визуальный диалог на мобильном устройстве
  • понимание изображений на периферийных устройствах

Ограничения

README не сообщает о поддерживаемых языках и не раскрывает подробные результаты отдельных бенчмарков; измеренная скорость и заявленное качество приведены для конкретных аппаратных платформ и тестов.

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

Model Summery

MobileVLM is a competent multimodal vision language model (MMVLM) targeted to run on mobile devices. It is an amalgamation of a myriad of architectural designs and techniques that are mobile-oriented, which comprises a set of language models at the scale of 1.4B and 2.7B parameters, trained from scratch, a multimodal vision model that is pre-trained in the CLIP fashion, cross-modality interaction via an efficient projector. We evaluate MobileVLM on several typical VLM benchmarks. Our models demonstrate on par performance compared with a few much larger models. More importantly, we measure the inference speed on both a Qualcomm Snapdragon 888 CPU and an NVIDIA Jeston Orin GPU, and we obtain state-of-the-art performance of 21.5 tokens and 65.3 tokens per second, respectively.

The MobileVLM-1.7B was built on our MobileLLaMA-1.4B-Chat to facilitate the off-the-shelf deployment.

Model Sources

How to Get Started with the Model

Inference examples can be found at Github.

Training Details

Please refer to our paper: MobileVLM: A Fast, Strong and Open Vision Language Assistant for Mobile Devices

Как запустить

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

GPU в ailist

Универсальный рантайм

Нельзя запустить

Архитектура mobilevlm неизвестна transformers в образе рантайма.

Класс архитектуры
MobileLlamaForCausalLM
Ревизия весов
79168d5

0 моделей