/ Модель

Характеристики

Размер весов
50,6 ГБ
Лицензия
Apache 2.0
Архитектура
aria · dense
Базовая модель
Aria-Base-8K
Библиотека
transformers
Опубликована
30 ноя 2024

Aria-Base-64K

Генерация текстаТекст → текст3 профессии

Мультимодальный базовый чекпойнт Aria с контекстом 65 536 токенов для дообучения на видео и длинных документах, а также обработки множества изображений.

107скачиваний за 30 дней15лайковвеса обновлены1 дек 2024

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

Aria-Base-64K — базовая мультимодальная модель семейства Aria, разработанная Rhymes AI. Это плотная модель с архитектурой AriaForConditionalGeneration, дообученная на основе rhymes-ai/Aria-Base-8K на этапе предобучения для длинного контекста; веса доступны в формате safetensors, лицензия — Apache-2.0. Модель принимает текст и изображения и генерирует текст, поддерживает сценарии image-text-to-text и text-generation. Она рассчитана на продолжение предобучения и дообучение для видео-вопросов и ответов, а также для вопросов по длинным документам; заявлена обработка до 250 изображений высокого разрешения или до 500 изображений среднего разрешения за контекст. На этапе длинного контекста модель обучалась на последовательностях длиной 65 536 токенов.

Модель сохраняет возможности базовой Aria-Base-8K в языковых и мультимодальных задачах, но не оптимизирована для непосредственного использования в чат-интерфейсе: лишь небольшая доля обучающих данных была оформлена с chat template. Карточка позиционирует её прежде всего как базовый чекпойнт для исследований и дальнейшего обучения; конкретные ограничения качества и требования к ресурсам не приведены.

Сценарии применения

  • дообучение для ответов на вопросы по длинным документам
  • дообучение для видео-вопросов и ответов
  • продолжение предобучения мультимодальной модели на длинных последовательностях
  • анализ нескольких сотен изображений в одном контексте
  • генерация текста по изображению и текстовому запросу

Ограничения

Модель может работать с чат-шаблонами хуже, чем специализированная чат-модель, поскольку лишь около 3% обучающих данных были оформлены с chat template. Для качественного применения в диалоговых и целевых задачах рекомендуется дальнейшее дообучение.

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

Aria-Base-64K Model Card

This checkpoint is one of base models of Aria, designed for research purposes as well as continue training. Specifically, Aria-Base-64K corresponds to the model checkpoint after the long-context pre-training stage (boxed in purple).

Aria-Base-64K is fine-tuned from Aria-Base-8K.

Aria-Base-64K

  • Base Model After Long-Context Pre-training: This model corresponds to the model checkpoint after the long-context pre-training stage, with 33B tokens (21B multimodal, 12B language, 69% in long-form) trained in this stage. This stage lasts 1,000 iterations, with all sequences packed to 65536 with Megatron-LM, with global batch size 512. During this training stage, the learning rate keeps constant at 3.5e-5.
  • Appropriate for Video and Long-document Fine-tuning: This model is recommended for long-form continue pre-training or fine-tuning, e.g. on video QA datasets or long-document QA datasets. While resource is limited, it is also possible to post-train this model with short instruction tuning datasets and transfer to long-form QA scenarios.
  • Understanding on Hundreds of Images: This model is capable of understanding up to 250 high-resolution images or up to 500 mid-resolution images.
  • Strong Base Performance on Language and Multimodal Scenarios: This model retains strong base performance as Aria-Base-8K.
  • Limited Chat Template Availability: This model is trained with a very low percentage of data (around 3%) re-formatted with the chat template. Hence, it might not be optimal to be directly used with chat templates.

Quick Start

Installation

pip install transformers==4.45.0 accelerate==0.34.1 sentencepiece==0.2.0 torchvision requests torch Pillow
pip install flash-attn --no-build-isolation

# For better inference performance, you can install grouped-gemm, which may take 3-5 minutes to install
pip install grouped_gemm==0.1.6

Inference

You can use the same method as the final Aria model to load this checkpoint. However, as the base model, it might not be able to yield optimal chat performance.

import requests
import torch
from PIL import Image
from transformers import AutoModelForCausalLM, AutoProcessor

model_id_or_path = "rhymes-ai/Aria-Base-64K"

model = AutoModelForCausalLM.from_pretrained(model_id_or_path, device_map="auto", torch_dtype=torch.bfloat16, trust_remote_code=True)

processor = AutoProcessor.from_pretrained(model_id_or_path, trust_remote_code=True)

image_path = "https://huggingface.co/datasets/huggingface/documentation-images/resolve/main/diffusers/cat.png"

image = Image.open(requests.get(image_path, stream=True).raw)

messages = [
    {
        "role": "user",
        "content": [
            {"text": None, "type": "image"},
            {"text": "what is the image?", "type": "text"},
        ],
    }
]

text = processor.apply_chat_template(messages, add_generation_prompt=True)
inputs = processor(text=text, images=image, return_tensors="pt")
inputs["pixel_values"] = inputs["pixel_values"].to(model.dtype)
inputs = {k: v.to(model.device) for k, v in inputs.items()}

with torch.inference_mode(), torch.cuda.amp.autocast(dtype=torch.bfloat16):
    output = model.generate(
        **inputs,
        max_new_tokens=500,
        stop_strings=["<|im_end|>"],
        tokenizer=processor.tokenizer,
        do_sample=True,
        temperature=0.9,
    )
    output_ids = output[0][inputs["input_ids"].shape[1]:]
    result = processor.decode(output_ids, skip_special_tokens=True)

print(result)

Advanced Inference and Fine-tuning

We provide a codebase for more advanced usage of Aria, including vllm inference, cookbooks, and fine-tuning on custom datasets.

As it shares the same structure with the final model, you may just replace the rhymes-ai/Aria to this model path for any advanced inference and fine-tuning.

Citation

If you find our work helpful, please consider citing.

@article{aria,
  title={Aria: An Open Multimodal Native Mixture-of-Experts Model}, 
  author={Dongxu Li and Yudong Liu and Haoning Wu and Yue Wang and Zhiqi Shen and Bowen Qu and Xinyao Niu and Guoyin Wang and Bei Chen and Junnan Li},
  year={2024},
  journal={arXiv preprint arXiv:2410.05993},
}

Как запустить

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

GPU в ailist

Универсальный рантайм · transformers

Можно запустить

Подбираем GPU…

Класс архитектуры
AriaForConditionalGeneration
Ревизия весов
bef6594

0 моделей