/ Модель

Характеристики

Контекст
32 768 токенов
Параметры
7,1 млрд
Архитектура
omnilmm · dense
Опубликована
31 янв 2024

OmniLMM-12B

Генерация текстаТекст → текст3 профессии

OmniLMM-12B — мультимодальная чат-модель OpenBMB для диалога и ответов на вопросы по изображениям.

142скачиваний за 30 дней74лайкавеса обновлены16 апр 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

OmniLMM-12B — мультимодальная модель команды OpenBMB для диалога и ответов на вопросы по изображениям. Она сочетает визуальный энкодер EVA02-5B и языковую модель Zephyr-7B-β через слой perceiver resampler; архитектура плотная, число параметров по метаданным — 7,1 млрд. Модель обучали на мультимодальных данных поэтапно и выравнивали с помощью мультимодального RLHF по методике RLHF-V.

Основные сценарии — описание изображений, ответы на вопросы о визуальном содержимом и мультимодальный диалог. Авторы сообщают о результатах на MME, MMBench, SEED-Bench и других тестах, а также о снижении неподтверждённых изображениями ответов. В демонстрационном интерактивном ассистенте OmniLMM-12B объединена с текстовой GPT-3.5 для обработки видеопотока с камеры и речи с микрофона и выдачи речи; это свойство описано для системы в целом, а не для модели OmniLMM-12B отдельно.

Для репозитория указаны веса PyTorch, чат-возможность и контекст до 32 768 токенов. README не сообщает лицензию. Модель может ошибаться или галлюцинировать; авторы отдельно предупреждают, что её ответы не выражают позицию разработчиков и что они не берут на себя ответственность за последствия использования.

Сценарии применения

  • ответы на вопросы о содержимом изображения
  • описание объектов и сцен на изображении
  • мультимодальный диалог по визуальному материалу
  • оценка ответов модели на бенчмарках понимания изображений

Ограничения

Модель может давать неподтверждённые изображением или ошибочные ответы. Лицензия в предоставленных материалах не указана; сведения о речи и видео относятся к демонстрационному ассистенту, объединяющему модель с другими компонентами.

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

OmniLMM 12B

GitHub | Demo

OmniLMM-12B is the most capable version of OmniLMM currently. The model is built based on EVA02-5B and Zephyr-7B-β, connected with a perceiver resampler layer, and trained on multimodal data in a curriculum fashion. The model has three notable features:

  • 🔥 Strong Performance.

    OmniLMM-12B achieves leading performance among models with comparable sizes, surpassing established LMMs on multiple benchmarks (including MME, MMBench, SEED-Bench, etc). The model also endows rich multi-modal world knowledge.

  • 🏆 Trustworthy Behavior.

    LMMs are known for suffering from hallucination, often generating text that is not factually grounded in images (e.g., faithfully describing non-existing objects in images). OmniLMM-12B is the first state-of-the-art open-source LMM aligned via multimodal RLHF for trustworthy behavior (using the recent RLHF-V technique). It ranks #1 among open-source models on MMHal-Bench, and outperforms GPT-4V on Object HalBench.

  • 🕹 Real-time Multimodal Interaction.

    We combine the OmniLMM-12B and GPT-3.5 (text-only) into a real-time multimodal interactive assistant. The assistant accepts video streams from the camera and speech streams from the microphone and emits speech output. While still primary, we find the model can replicate some of the fun cases shown in the Gemini Demo video, without any video edition.

Evaluation

Demo

Click here to try out the Demo of OmniLMM-12B.

Usage

Please look at GitHub for more detail about usage.

License

Model License

Statement

  • As LMMs, OmniLMM generates contents by learning a large mount of texts, but it cannot comprehend, express personal opinions or make value judgement. Anything generated by OmniLMM does not represent the views and positions of the model developers
  • We will not be liable for any problems arising from the use of the OmniLMM open Source model, including but not limited to data security issues, risk of public opinion, or any risks and problems arising from the misdirection, misuse, dissemination or misuse of the model.

Multimodal Projects of Our Team

VisCPM | RLHF-V | LLaVA-UHD

Citation

If you find our work helpful, please consider citing the following papers

@article{yu2023rlhf,
  title={Rlhf-v: Towards trustworthy mllms via behavior alignment from fine-grained correctional human feedback},
  author={Yu, Tianyu and Yao, Yuan and Zhang, Haoye and He, Taiwen and Han, Yifeng and Cui, Ganqu and Hu, Jinyi and Liu, Zhiyuan and Zheng, Hai-Tao and Sun, Maosong and others},
  journal={arXiv preprint arXiv:2312.00849},
  year={2023}
}
@article{viscpm,
    title={Large Multilingual Models Pivot Zero-Shot Multimodal Learning across Languages}, 
    author={Jinyi Hu and Yuan Yao and Chongyi Wang and Shan Wang and Yinxu Pan and Qianyu Chen and Tianyu Yu and Hanghao Wu and Yue Zhao and Haoye Zhang and Xu Han and Yankai Lin and Jiao Xue and Dahai Li and Zhiyuan Liu and Maosong Sun},
    journal={arXiv preprint arXiv:2308.12038},
    year={2023}
}
@article{xu2024llava-uhd,
  title={{LLaVA-UHD}: an LMM Perceiving Any Aspect Ratio and High-Resolution Images},
  author={Xu, Ruyi and Yao, Yuan and Guo, Zonghao and Cui, Junbo and Ni, Zanlin and Ge, Chunjiang and Chua, Tat-Seng and Liu, Zhiyuan and Huang, Gao},
  journal={arXiv preprint arXiv:2403.11703},
  year={2024}
}

Как запустить

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

GPU в ailist

Универсальный рантайм

Нельзя запустить

Архитектура omnilmm неизвестна transformers в образе рантайма.

Класс архитектуры
OmniLMMForCausalLM
Ревизия весов
d2e9c9d

0 моделей