/ Модель

Характеристики

Контекст
4 096 токенов
Параметры
6,6 млрд
Размер весов
14,1 ГБ
Лицензия
Apache 2.0
Архитектура
llava_llama · dense
Опубликована
28 мая 2024

llava-next-vicuna-7b-m3

Генерация текстаТекст → текст3 профессии

Мультимодальный чат-бот на базе LLaMA/Vicuna для диалогов по изображениям и исследований управления визуальными токенами.

94скачиваний за 30 дней3лайкавеса обновлены3 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

mucai/llava-next-vicuna-7b-m3 — мультимодальный чат-бот из семейства Matryoshka Multimodal Models (M3), разработанный на основе LLaMA/Vicuna и дообученный на визуальных диалогах. Это авторегрессионная трансформерная модель с архитектурой LlavaLlamaForCausalLM и 6,6 млрд параметров; она принимает изображения и текстовые запросы и формирует текстовые ответы. Контекст модели составляет 4096 токенов.

Модель предназначена для исследований и экспериментов с визуальными диалоговыми системами и крупными мультимодальными моделями. M3 позволяет управлять количеством визуальных токенов для изображения и, согласно карточке, сохраняет сильные результаты при использовании одного или девяти токенов; также модель может служить метрикой сложности изображений и наборов данных. Для обучения использовались пары изображение—текст LAION/CC/SBU с подписями BLIP и данные инструкций LLaVA-1.5.

Модель опубликована под лицензией Apache-2.0. Карточка ориентирует её прежде всего на исследователей и энтузиастов; описание не приводит количественных результатов оценки или подробностей о поддерживаемых языках.

Сценарии применения

  • ответы на вопросы по изображению
  • диалог с моделью о визуальной сцене
  • сравнение качества ответов при разном числе визуальных токенов
  • оценка сложности изображений и наборов данных

Ограничения

Карточка не сообщает количественных результатов оценки, а контекст ограничен 4096 токенами. Модель описана прежде всего как исследовательская система; подробности о поддерживаемых языках не приведены.

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

Matryoshka Multimodal Models (M3) Model Card

Model details

Model type: Matryoshka Multimodal Models (M3) allow using to explicitly control visual granularities (the number of visual toknes per sample) at time time. Also, the model itself serves as a metric for image/dataset complexity. M3s is an open-source chatbot trained by fine-tuning LLaMA/Vicuna on visual conversation data. It is an auto-regressive language model, based on the transformer architecture.

Model date: llava-next-vicuna-7b-m3 was trained in May 2024. Paper

Paper or resources for more information: https://matryoshka-mm.github.io/

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/mu-cai/matryoshka-mm/issues

Intended use

Primary intended uses: The primary use of M3 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

  • 558K filtered image-text pairs from LAION/CC/SBU, captioned by BLIP.
  • 665K image level instruction data from LLaVA-1.5.

Evaluation dataset

Matryoshka Multimodal Models (M3) achieves strong performance even using 1 or 9 visual tokens per image.

Как запустить

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

GPU в ailist

Универсальный рантайм

Нельзя запустить

Архитектура llava_llama неизвестна transformers в образе рантайма.

Класс архитектуры
LlavaLlamaForCausalLM
Ревизия весов
45b07f3

0 моделей