/ Модель

Характеристики

Лицензия
Своя лицензия
Архитектура
llava_llama · dense
Базовая модель
VILA1.5-3b
Библиотека
describe-anything
Опубликована
21 апр 2025

DAM-3B

Изображение и текст → текст3 профессии

DAM-3B (Describe Anything Model 3B) — мультимодальная модель NVIDIA, разработанная совместно с UC Berkeley и UCSF.

18 906скачиваний за 30 дней132лайкавеса обновлены7 мая 2025

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 «Изображение → 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

Она предназначена для подробного локализованного описания содержимого изображений: пользователь задаёт область интереса с помощью точек, рамок, штрихов или бинарной маски, после чего модель генерирует текстовое описание соответствующего визуального региона с учётом контекста всего изображения. Основные сценарии применения — исследования, разработка и анализ изображений; модель также заявлена для локализованного описания видео, однако приведённые характеристики входных данных относятся к изображениям.

Модель основана на VILA-1.5 и использует Transformer-архитектуру с компонентами ViT и Llama. Она содержит около 3 млрд параметров, принимает RGB-изображение и бинарную маску, а выдаёт текстовую строку с подробным описанием выбранной области. В архитектуре применяются механизм focal prompt, объединяющий глобальный контекст с локальными деталями, и визуальный backbone с gated cross-attention. В README указан английский язык. Для входа заявлено разрешение 384×384; поддерживаются NVIDIA Ampere, Hopper и Lovelace, предпочтительная операционная система — Linux, инференс выполняется через PyTorch.

Сильная сторона DAM-3B — детальное описание конкретных областей изображения при сохранении связи с общим визуальным контекстом. Ограничения включают зависимость от заданной пользователем области, заявленную поддержку только английского языка, отсутствие сведений о количественных результатах в README и требования к совместимому оборудованию. Модель предназначена для исследований и некоммерческого использования и распространяется по NVIDIA Noncommercial License.

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

Describe Anything: Detailed Localized Image and Video Captioning

NVIDIA, UC Berkeley, UCSF

Long Lian, Yifan Ding, Yunhao Ge, Sifei Liu, Hanzi Mao, Boyi Li, Marco Pavone, Ming-Yu Liu, Trevor Darrell, Adam Yala, Yin Cui

[Paper] | [Code] | [Project Page] | [Video] | [HuggingFace Demo] | [Model/Benchmark/Datasets] | [Citation]

Model Card for DAM-3B

Description

Describe Anything Model 3B (DAM-3B) takes inputs of user-specified regions in the form of points/boxes/scribbles/masks within images, and generates detailed localized descriptions of images. DAM integrates full-image context with fine-grained local details using a novel focal prompt and a localized vision backbone enhanced with gated cross-attention. The model is for research and development only. This model is ready for non-commercial use.

License

NVIDIA Noncommercial License

Intended Usage

This model is intended to demonstrate and facilitate the understanding and usage of the describe anything models. It should primarily be used for research and non-commercial purposes.

Model Architecture

Architecture Type: Transformer Network Architecture: ViT and Llama

This model was developed based on VILA-1.5. This model has 3B of model parameters.

Input

Input Type(s): Image, Text, Binary Mask Input Format(s): RGB Image, Binary Mask Input Parameters: 2D Image, 2D Binary Mask Other Properties Related to Input: 3 channels for RGB image, 1 channel for binary mask. Resolution is 384x384.

Output

Output Type(s): Text Output Format: String Output Parameters: 1D Text Other Properties Related to Output: Detailed descriptions for the visual region.

Supported Hardware Microarchitecture Compatibility:

  • NVIDIA Ampere
  • NVIDIA Hopper
  • NVIDIA Lovelace

Preferred/Supported Operating System(s):

  • Linux

Training Dataset

Describe Anything Training Datasets

Evaluation Dataset

We evaluate our models our detailed localized captioning benchmark: DLC-Bench

Inference

PyTorch

Ethical Considerations

NVIDIA believes Trustworthy AI is a shared responsibility and we have established policies and practices to enable development for a wide array of AI applications. When downloaded or used in accordance with our terms of service, developers should work with their internal model team to ensure this model meets requirements for the relevant industry and use case and addresses unforeseen product misuse.

Please report security vulnerabilities or NVIDIA AI Concerns here.

Citation

If you use our work or our implementation in this repo, or find them helpful, please consider giving a citation.

@article{lian2025describe,
  title={Describe Anything: Detailed Localized Image and Video Captioning}, 
  author={Long Lian and Yifan Ding and Yunhao Ge and Sifei Liu and Hanzi Mao and Boyi Li and Marco Pavone and Ming-Yu Liu and Trevor Darrell and Adam Yala and Yin Cui},
  journal={arXiv preprint arXiv:2504.16072},
  year={2025}
}

Как запустить

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

GPU в ailist

Универсальный рантайм · describe-anything

Можно запустить

Подбираем GPU…

Класс архитектуры
LlavaLlamaModel
Ревизия весов
0797bed

0 моделей