/ Модель

Характеристики

Контекст
32 768 токенов
Параметры
464 млн
Лицензия
Apache 2.0
Архитектура
llava-qwen2 · dense
Опубликована
4 апр 2024

nanoLLaVA

Генерация текстаТекст → текст7 профессий

Компактная мультимодальная модель, отвечающая на вопросы по изображениям и текстовым запросам.

14 278скачиваний за 30 дней154лайкавеса обновлены27 окт 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

nanoLLaVA — компактная мультимодальная модель для диалога по изображениям, разработанная qnguyen3. Она сочетает языковую модель Quyen-SE-v0.1 на базе Qwen1.5-0.5B с визуальным энкодером google/siglip-so400m-patch14-384; в метаданных указано 463,9 млн параметров и контекст 32 768 токенов. Модель принимает текст и изображения и формирует текстовые ответы; среди сценариев — визуальные вопросы и ответы, чтение текста на изображениях и описание связи между изображением и текстом.

В README приведены результаты на наборах VQA v2, TextVQA, ScienceQA, POPE, MMMU, GQA и MM-VET, однако данные обучения и код дообучения на момент публикации карточки ещё не представлены. Автор сообщает о более новой версии nanoLLaVA-1.5 с лучшей производительностью. Модель опубликована в формате Safetensors под лицензией Apache-2.0.

Сценарии применения

  • ответы на вопросы о содержимом изображения
  • чтение и объяснение текста на изображении
  • описание связи между текстом и изображением
  • визуальные вопросы по научным темам

Ограничения

Данные обучения и код дообучения в README не опубликованы; автор указывает, что nanoLLaVA-1.5 обладает лучшей производительностью. Приведённые в карточке оценки не описывают качество на всех типах изображений и запросов.

Для каких профессий подходит7

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

nanoLLaVA - Sub 1B Vision-Language Model

IMPORTANT: nanoLLaVA-1.5 is out with a much better performance. Please find it here.

Description

nanoLLaVA is a "small but mighty" 1B vision-language model designed to run efficiently on edge devices.

ModelVQA v2TextVQAScienceQAPOPEMMMU (Test)MMMU (Eval)GQAMM-VET
Score70.8446.7158.9784.128.630.454.7923.9

Training Data

Training Data will be released later as I am still writing a paper on this. Expect the final final to be much more powerful than the current one.

Finetuning Code

Coming Soon!!!

Usage

You can use with transformers with the following script:

pip install -U transformers accelerate flash_attn
import torch
import transformers
from transformers import AutoModelForCausalLM, AutoTokenizer
from PIL import Image
import warnings

# disable some warnings
transformers.logging.set_verbosity_error()
transformers.logging.disable_progress_bar()
warnings.filterwarnings('ignore')

# set device
torch.set_default_device('cuda')  # or 'cpu'

# create model
model = AutoModelForCausalLM.from_pretrained(
    'qnguyen3/nanoLLaVA',
    torch_dtype=torch.float16,
    device_map='auto',
    trust_remote_code=True)
tokenizer = AutoTokenizer.from_pretrained(
    'qnguyen3/nanoLLaVA',
    trust_remote_code=True)

# text prompt
prompt = 'Describe this image in detail'

messages = [
    {"role": "user", "content": f'<image>\n{prompt}'}
]
text = tokenizer.apply_chat_template(
    messages,
    tokenize=False,
    add_generation_prompt=True
)

print(text)

text_chunks = [tokenizer(chunk).input_ids for chunk in text.split('<image>')]
input_ids = torch.tensor(text_chunks[0] + [-200] + text_chunks[1], dtype=torch.long).unsqueeze(0)

# image, sample images can be found in images folder
image = Image.open('/path/to/image.png')
image_tensor = model.process_images([image], model.config).to(dtype=model.dtype)

# generate
output_ids = model.generate(
    input_ids,
    images=image_tensor,
    max_new_tokens=2048,
    use_cache=True)[0]

print(tokenizer.decode(output_ids[input_ids.shape[1]:], skip_special_tokens=True).strip())

Prompt Format

The model follow the ChatML standard, however, without \n at the end of <|im_end|>:

<|im_start|>system
Answer the question<|im_end|><|im_start|>user
<image>
What is the picture about?<|im_end|><|im_start|>assistant

ImageExample
smallWhat is the text saying? "Small but mighty". How does the text correlate to the context of the image? The text seems to be a playful or humorous representation of a small but mighty figure, possibly a mouse or a mouse toy, holding a weightlifting bar.

Model is trained using a modified version from Bunny

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
LlavaQwen2ForCausalLM
Ревизия весов
13d60ce

0 моделей