/ Модель

Характеристики

Контекст
8 192 токена
Параметры
7,5 млрд
Размер весов
16,8 ГБ
Лицензия
Apache 2.0
Архитектура
QH_360VL · dense
Опубликована
16 мая 2024

360VL-8B

Генерация текстаТекст → текст11 профессий

360VL-8B — мультимодальная модель Qihoo 360 для ответов на вопросы и диалога на китайском и английском языках по изображениям.

289скачиваний за 30 дней13лайковвеса обновлены22 мая 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

360VL-8B — открытая мультимодальная модель компании Qihoo 360 для диалога по изображениям и тексту. Она дообучена на основе Meta Llama 3 8B Instruct и использует трансформерную авторегрессионную языковую модель с многоветвевым проектором, предназначенным для улучшения понимания изображений.

Модель принимает изображения и текст и формирует текстовые ответы; поддерживает многоходовой диалог с одним изображением, визуальные вопросы и распознавание текста на изображениях. В README указано разрешение изображений до 672×672 пикселей, а контекст по метаданным составляет 8192 токена. Поддерживаются китайский и английский языки.

Модель подходит для анализа содержимого изображений, извлечения и обобщения информации, а также ответов на вопросы по изображению. Вес модели содержит 7,5 млрд параметров и опубликован в формате safetensors. Лицензия — Apache 2.0.

Сценарии применения

  • ответы на вопросы по изображению
  • распознавание китайского и английского текста на изображениях
  • извлечение сведений из изображений
  • суммирование содержания изображения
  • многоходовой диалог об одном изображении

Ограничения

В README описан многоходовой диалог только с одним изображением. Заявлено разрешение до 672×672 пикселей; качество распознавания и анализа может зависеть от изображения и задачи.

Для каких профессий подходит11

Разделы каталога профессий, в задачах которых используется эта модель

Все профессии

Также подходит для

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

Model Card for 360VL

360VL is developed based on the LLama3 language model and is also the industry's first open source large multi-modal model based on LLama3-70B[🤗Meta-Llama-3-70B-Instruct]. In addition to applying the Llama3 language model, the 360VL model also designs a globally aware multi-branch projector architecture, which enables the model to have more sufficient image understanding capabilities.

Github:https://github.com/360CVGroup/360VL

Model Zoo

360VL has released the following versions.

ModelDownload
360VL-8B🤗 Hugging Face
360VL-70B🤗 Hugging Face

Features

360VL offers the following features:

  • Multi-round text-image conversations: 360VL can take both text and images as inputs and produce text outputs. Currently, it supports multi-round visual question answering with one image.

  • Bilingual text support: 360VL supports conversations in both English and Chinese, including text recognition in images.

  • Strong image comprehension: 360VL is adept at analyzing visuals, making it an efficient tool for tasks like extracting, organizing, and summarizing information from images.

  • Fine-grained image resolution: 360VL supports image understanding at a higher resolution of 672×672.

Performance

ModelCheckpointsMMBTMMBDMMB-CNTMMB-CNDMMMUVMMMUTMME
QWen-VL-Chat🤗LINK61.860.656.356.73732.91860
mPLUG-Owl2🤖LINK66.066.560.359.534.732.11786.4
CogVLM🤗LINK65.863.755.953.837.330.11736.6
Monkey-Chat🤗LINK72.47167.565.840.7-1887.4
MM1-7B-ChatLINK-72.3--37.035.61858.2
IDEFICS2-8B🤗LINK75.775.368.667.343.037.71847.6
SVIT-v1.5-13B🤗LINK69.1-63.1-38.033.31889
LLaVA-v1.5-13B🤗LINK69.269.26563.636.433.61826.7
LLaVA-v1.6-13B🤗LINK7070.768.564.336.2-1901
HoneybeeLINK73.674.3--36.2-1976.5
YI-VL-34B🤗LINK72.471.170.771.445.141.62050.2
360VL-8B🤗LINK75.373.771.168.639.737.11944.6
360VL-70B🤗LINK78.180.476.977.750.844.32012.3

Quick Start 🤗

from transformers import AutoModelForCausalLM, AutoTokenizer
import torch
from PIL import Image

checkpoint = "qihoo360/360VL-8B"

model = AutoModelForCausalLM.from_pretrained(checkpoint, torch_dtype=torch.float16, device_map='auto', trust_remote_code=True).eval()
tokenizer = AutoTokenizer.from_pretrained(checkpoint, trust_remote_code=True)
vision_tower = model.get_vision_tower()
vision_tower.load_model()
vision_tower.to(device="cuda", dtype=torch.float16)
image_processor = vision_tower.image_processor
tokenizer.pad_token = tokenizer.eos_token


image = Image.open("docs/008.jpg").convert('RGB')
query = "Who is this cartoon character?"
terminators = [
    tokenizer.convert_tokens_to_ids("<|eot_id|>",)
]

inputs = model.build_conversation_input_ids(tokenizer, query=query, image=image, image_processor=image_processor)

input_ids = inputs["input_ids"].to(device='cuda', non_blocking=True)
images = inputs["image"].to(dtype=torch.float16, device='cuda', non_blocking=True)

output_ids = model.generate(
    input_ids,
    images=images,
    do_sample=False,
    eos_token_id=terminators,
    num_beams=1,
    max_new_tokens=512,
    use_cache=True)

input_token_len = input_ids.shape[1]
outputs = tokenizer.batch_decode(output_ids[:, input_token_len:], skip_special_tokens=True)[0]
outputs = outputs.strip()
print(outputs)

Model type: 360VL-8B is an open-source chatbot trained by fine-tuning LLM on multimodal instruction-following data. It is an auto-regressive language model, based on the transformer architecture. Base LLM: meta-llama/Meta-Llama-3-8B-Instruct

Model date: 360VL-8B was trained in April 2024.

License

This project utilizes certain datasets and checkpoints that are subject to their respective original licenses. Users must comply with all terms and conditions of these original licenses. The content of this project itself is licensed under the [Apache license 2.0]

Where to send questions or comments about the model: https://github.com/360CVGroup/360VL

Related Projects

This work wouldn't be possible without the incredible open-source code of these projects. Huge thanks!

Как запустить

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

GPU в ailist

Универсальный рантайм

Нельзя запустить

Модели нужен код из репозитория; автор пока не в списке доверенных организаций.

Класс архитектуры
QH360_VL_LlamaForCausalLM
Ревизия весов
0b1b842

0 моделей