/ Модель

Характеристики

Контекст
4 096 токенов
Параметры
6,6 млрд
Размер весов
14,2 ГБ
Архитектура
llava · dense
Опубликована
3 дек 2023

vip-llava-7b

Генерация текстаТекст → текст3 профессии

ViP-LLaVA-7B — мультимодальный чат-бот на 6,6 млрд параметров для ответов на вопросы и инструкций по изображениям, включая отдельные области изображения.

254скачиваний за 30 дней8лайковвеса обновлены17 дек 2023

Бенчмарки

Как модель справилась с задачами пользователей ailist и что о ней публикуют открытые лидерборды

Тесты пользователейпока нет

Никто ещё не опубликовал тест этой модели. Соберите бенчмарк из своих задач — результат появится здесь.

  1. Добавьте модель в бенчмарк

    Вместе с другими моделями категории «Текст» — сравнение идёт внутри одной категории.

  2. Опишите свои задачи

    Напишите запросы, при необходимости приложите файлы и эталонные ответы.

  3. Запустите и опубликуйте

    Модели ответят на каждую задачу, судья оценит ответы. Опубликованный результат появится на этой странице.

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

ViP-LLaVA-7B — открытый мультимодальный чат-бот, созданный дообучением LLaMA/Vicuna командой разработчиков ViP-LLaVA. Это авторегрессионная плотная модель на архитектуре Transformer с 6,6 млрд параметров и контекстом 4096 токенов. Модель принимает изображения и текстовые инструкции, а отвечает текстом.

Модель предназначена для исследований мультимодальных чат-ботов и компьютерного зрения. Обучение сочетало данные для инструкций по изображениям целиком с данными о регионах изображения, помеченных визуальными подсказками. Возможные сценарии включают ответы на вопросы об изображениях и описание объектов или областей изображения по запросу. В README сообщается о высоких результатах на четырёх академических бенчмарках для региональных задач и на RegionBench.

В карточке заявлено исследовательское назначение; конкретная лицензия не указана в доступных данных. Оценки на бенчмарках сами по себе не гарантируют качество на иных данных и сценариях.

Сценарии применения

  • ответы на вопросы об изображениях
  • описание объектов и областей изображения по визуальным подсказкам
  • исследование мультимодальных чат-ботов
  • оценка моделей на региональных задачах компьютерного зрения

Ограничения

Модель ориентирована на исследовательские сценарии, а результаты на бенчмарках не гарантируют качество в прикладном использовании. Лицензия в предоставленных данных не приведена.

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

ViP-LLaVA Model Card

Model details

Model type: ViP-LLaVA is an open-source chatbot trained by fine-tuning LLaMA/Vicuna on both image level instruction data and region-level instruction data annotated with visual prompts. It is an auto-regressive language model, based on the transformer architecture.

Model date: ViP-LLaVA-7B was trained in November 2023. Paper

Paper or resources for more information: https://vip-llava.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/ViP-LLaVA/issues

Intended use

Primary intended uses: The primary use of ViP-LLaVA 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.
  • 520K image-text pairs marked with visual prompts.
  • 13K region-level instruction data generated from GPT-4V.

Evaluation dataset

ViP-LLaVA achieves state-of-the-art performance in 4 academic region-level benchmarks and our newly proposed RegionBench.

Как запустить

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

GPU в ailist

Универсальный рантайм

Можно запустить

Подбираем GPU…

Класс архитектуры
LlavaLlamaForCausalLM
Ревизия весов
e126ba2

0 моделей