/ 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-v1.5-7b-m3

Генерация текстаТекст → текст3 профессии

Мультимодальный чат-бот на основе LLaVA-1.5, который отвечает на текстовые запросы об изображениях и позволяет управлять детализацией визуального представления.

226скачиваний за 30 дней2лайкавеса 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-v1.5-7b-m3 — мультимодальный чат-бот семейства Matryoshka Multimodal Models (M3), разработанный на основе LLaVA-1.5 и дообученный на визуальных диалогах. Это авторегрессионная трансформерная модель с архитектурой LlavaLlamaForCausalLM и 6,6 млрд параметров; она принимает изображения и текстовые запросы и генерирует текстовые ответы. Контекст составляет 4096 токенов.

Модель предназначена для исследований мультимодальных языковых моделей и чат-ботов, а также для экспериментов с анализом изображений и визуальных диалогов. Особенность M3 — возможность задавать число визуальных токенов для изображения, меняя детализацию его представления; модель также может использоваться как метрика сложности изображений и наборов данных. В описанной оценке она сохраняла сильные результаты при использовании 1 или 9 визуальных токенов на изображение.

Для обучения использованы 558 тысяч отфильтрованных пар изображение–текст из LAION/CC/SBU с подписями BLIP и 665 тысяч инструкционных примеров LLaVA-1.5 на уровне изображений. Модель опубликована в формате safetensors под лицензией Apache-2.0. README ориентирует её прежде всего на исследовательские эксперименты; отдельные языки или специальные прикладные области не заявлены.

Сценарии применения

  • ответы на вопросы по загруженным изображениям
  • описание и анализ содержимого изображений в диалоге
  • эксперименты с числом визуальных токенов на изображение
  • оценка сложности изображений и наборов данных
  • исследование мультимодальных чат-ботов

Ограничения

Модель описана прежде всего как исследовательская; качество может зависеть от выбранного числа визуальных токенов. README не сообщает о проверках на иных языках, прикладных областях или сценариях.

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-v1.5-7b-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
629faba

0 моделей