/ Модель

Характеристики

Контекст
2 048 токенов
Параметры
2,6 млрд
Лицензия
Apache 2.0
Архитектура
mobilevlm · dense
Опубликована
31 дек 2023

MobileVLM-3B

Генерация текстаТекст → текст3 профессии

Мультимодальная MobileVLM-3B отвечает на вопросы об изображениях и предназначена для эффективного запуска на мобильных устройствах.

91скачиваний за 30 дней14лайковвеса обновлены31 дек 2023

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-3B — мультимодальная модель для работы с изображениями и текстом, разработанная командой MobileVLM для запуска на мобильных устройствах. Она построена на MobileLLaMA-2.7B-Chat и объединяет языковую модель, предварительно обученную в стиле CLIP модель зрения и проектор для связи визуальных и текстовых представлений. В метаданных указано 2,6 млрд параметров и контекст 2048 токенов.

Модель предназначена для диалога по изображениям и других сценариев визуально-языкового понимания. Авторы сообщают о результатах на типовых бенчмарках VLM, сопоставимых с рядом более крупных моделей, и измеряют скорость генерации на мобильном процессоре Snapdragon 888 и GPU NVIDIA Jetson Orin. Веса доступны в формате PyTorch по лицензии Apache-2.0.

Сценарии применения

  • ответы на вопросы по изображению
  • описание содержимого фотографии
  • диалог с визуальным помощником на мобильном устройстве

Ограничения

Заявленные результаты производительности относятся к конкретным тестам на Snapdragon 888 и NVIDIA Jetson Orin; README не приводит подробностей о качестве на отдельных задачах или поддерживаемых языках.

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-3B was built on our MobileLLaMA-2.7B-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
28487fa

0 моделей