/ Модель

Характеристики

Размер весов
16,7 ГБ
Архитектура
llava_next · dense
Библиотека
sentence-transformers
Опубликована
14 июл 2024

e5-v

ЭмбеддингиТекст → embedding8 профессий

Мультимодальная модель E5-V преобразует текст и изображения в эмбеддинги для поиска и оценки сходства между ними.

18 519скачиваний за 30 дней33лайкавеса обновлены14 апр 2026

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 «Эмбеддинги» — 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 оценки29

Из открытых лидербордов. Сравнивайте результаты одного теста при одинаковых условиях — отсутствие оценки не значит, что модель хуже.

  • XM3600T2IRetrieval

    main_score

    Результат

    0,6615

    Общий результат 0,8351Общий результат 0,8181Общий результат 0,8047
    MTEB

    Публичная таблицадругая ревизия

  • OxfordFlowersClassification

    main_score

    Результат

    0,9416

    MTEB

    Публичная таблицадругая ревизия

  • STS17MultilingualVisualSTS

    main_score

    Результат

    0,8584

    Общий результат 0,5192Общий результат 0,1445
    MTEB

    Публичная таблицадругая ревизия

  • Food101ZeroShot

    main_score

    Результат

    0,6069

    MTEB

    Публичная таблицадругая ревизия

  • WITT2IRetrieval

    main_score

    Результат

    0,6074

    Общий результат 0,5322Общий результат 0,4315
    MTEB

    Публичная таблицадругая ревизия

  • ROxfordMediumI2IRetrieval

    main_score

    Результат

    0,0704

    MTEB

    Публичная таблицадругая ревизия

  • MSCOCOI2TRetrieval

    main_score

    Результат

    0,5519

    MTEB

    Публичная таблицадругая ревизия

  • SketchyI2IRetrieval

    main_score

    Результат

    0,6876

    MTEB

    Публичная таблицадругая ревизия

  • STSBenchmarkMultilingualVisualSTS

    main_score

    Результат

    0,6424

    Общий результат 0,7154Общий результат 0,6359Общий результат 0,5217
    MTEB

    Публичная таблицадругая ревизия

  • AROCocoOrder

    main_score

    Результат

    0,413

    MTEB

    Публичная таблицадругая ревизия

  • CVBenchCount

    main_score

    Результат

    0,3921

    MTEB

    Публичная таблицадругая ревизия

  • BLINKIT2IMultiChoice

    main_score

    Результат

    0,7189

    MTEB

    Публичная таблицадругая ревизия

  • Vidore2EconomicsReportsRetrieval

    main_score

    Результат

    0,5313

    Общий результат 0,4648
    MTEB

    Публичная таблицадругая ревизия

  • SciMMIRT2IRetrieval

    main_score

    Результат

    0,3642

    MTEB

    Публичная таблицадругая ревизия

  • SUN397

    main_score

    Результат

    0,7264

    MTEB

    Публичная таблицадругая ревизия

  • SOPI2IRetrieval

    main_score

    Результат

    0,4676

    MTEB

    Публичная таблицадругая ревизия

  • CIFAR10

    main_score

    Результат

    0,9414

    MTEB

    Публичная таблицадругая ревизия

  • Winoground

    main_score

    Результат

    0,1175

    MTEB

    Публичная таблицадругая ревизия

  • Vidore2ESGReportsRetrieval

    main_score

    Результат

    0,4328

    MTEB

    Публичная таблицадругая ревизия

  • STL10ZeroShot

    main_score

    Результат

    0,9658

    MTEB

    Публичная таблицадругая ревизия

  • Vidore2BioMedicalLecturesRetrieval

    main_score

    Результат

    0,4555

    MTEB

    Публичная таблицадругая ревизия

  • StanfordCarsI2IRetrieval

    main_score

    Результат

    0,4257

    MTEB

    Публичная таблицадругая ревизия

  • TinyImageNetClustering

    main_score

    Результат

    0,6664

    MTEB

    Публичная таблицадругая ревизия

  • STS12VisualSTS

    main_score

    Результат

    0,7315

    MTEB

    Публичная таблицадругая ревизия

  • AROFlickrOrder

    main_score

    Результат

    0,3612

    MTEB

    Публичная таблицадругая ревизия

  • WebQAT2ITRetrieval

    main_score

    Результат

    0,4963

    MTEB

    Публичная таблицадругая ревизия

  • FGVCAircraft

    main_score

    Результат

    0,3774

    MTEB

    Публичная таблицадругая ревизия

  • RESISC45ZeroShot

    main_score

    Результат

    0,5795

    MTEB

    Публичная таблицадругая ревизия

  • VidoreSyntheticDocQAEnergyRetrieval

    main_score

    Результат

    0,7811

    MTEB

    Публичная таблицадругая ревизия

Что умеет модель

Описание составлено по карточке модели и метаданным Hugging Face

E5-V — мультимодальная модель эмбеддингов, разработанная авторами проекта E5-V и дообученная на основе lmms-lab/llama3-llava-next-8b. Она преобразует текст и изображения в векторы для поиска и оценки сходства между объектами, в том числе между разными модальностями. Модель основана на архитектуре LLaVA-NeXT и доступна в формате safetensors; для работы с ней предусмотрена интеграция с Sentence Transformers.

E5-V предназначена для мультимодального поиска и сопоставления текста с изображениями, а также для получения эмбеддингов текстовых пар. В карточке отмечено, что обучение только на текстовых парах может превосходить мультимодальное обучение по качеству. Шаблон общения автоматически добавляет к тексту инструкцию «Summary above sentence in one word:», а к изображениям — «Summary above image in one word:».

Карточка не сообщает лицензию, размер и длину контекста, поэтому эти характеристики здесь не приводятся. Для использования изображений через Sentence Transformers требуется установить пакет с поддержкой изображений.

Сценарии применения

  • поиск изображений по текстовому запросу
  • поиск текстовых описаний по изображению
  • оценка сходства между предложениями
  • сопоставление текстовых и визуальных данных
  • создание эмбеддингов для мультимодального поиска

Ограничения

В README указано, что обучение только на текстовых парах может давать лучшие результаты, чем мультимодальное обучение; качество зависит от типа данных и сценария. Для обработки изображений через Sentence Transformers нужна установка с поддержкой изображений.

Для каких профессий подходит8

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

E5-V: Universal Embeddings with Multimodal Large Language Models

E5-V is fine-tuned based on lmms-lab/llama3-llava-next-8b.

Overview

We propose a framework, called E5-V, to adpat MLLMs for achieving multimodal embeddings. E5-V effectively bridges the modality gap between different types of inputs, demonstrating strong performance in multimodal embeddings even without fine-tuning. We also propose a single modality training approach for E5-V, where the model is trained exclusively on text pairs, demonstrating better performance than multimodal training.

More details can be found in https://github.com/kongds/E5-V

Usage

Using Sentence Transformers

Install Sentence Transformers:

pip install "sentence_transformers[image]"
from sentence_transformers import SentenceTransformer

model = SentenceTransformer("royokong/e5-v")

# Encode text inputs
texts = [
    "A dog sitting in the grass.",
    "A dog standing in the snow.",
    "A cat sitting in the grass.",
    "A cat standing in the snow.",
]
text_embeddings = model.encode(texts)
print(text_embeddings.shape)
# (4, 4096)

# Encode image inputs
images = [
    "https://huggingface.co/royokong/e5-v/resolve/main/assets/dog.jpg",
    "https://huggingface.co/royokong/e5-v/resolve/main/assets/cat.jpg",
]
image_embeddings = model.encode(images)
print(image_embeddings.shape)
# (2, 4096)

# Compute text-image similarities
similarities = model.similarity(text_embeddings, image_embeddings)
print(similarities)
# tensor([[0.7183, 0.3579],
#         [0.5806, 0.5522],
#         [0.4714, 0.6479],
#         [0.4150, 0.8081]])

The model uses a custom chat template that automatically wraps text inputs with the instruction "Summary above sentence in one word:" and image inputs with "Summary above image in one word:".

Using transformers

import torch
import torch.nn.functional as F
import requests
from PIL import Image
from transformers import AutoTokenizer
from transformers import LlavaNextProcessor, LlavaNextForConditionalGeneration

llama3_template = '<|start_header_id|>user<|end_header_id|>\n\n{}<|eot_id|><|start_header_id|>assistant<|end_header_id|>\n\n \n'

processor = LlavaNextProcessor.from_pretrained('royokong/e5-v')
model = LlavaNextForConditionalGeneration.from_pretrained('royokong/e5-v', torch_dtype=torch.float16).cuda()

img_prompt = llama3_template.format('<image>\nSummary above image in one word: ')
text_prompt = llama3_template.format('<sent>\nSummary above sentence in one word: ')

urls = [
    'https://huggingface.co/royokong/e5-v/resolve/main/assets/dog.jpg',
    'https://huggingface.co/royokong/e5-v/resolve/main/assets/cat.jpg',
]
images = [Image.open(requests.get(url, stream=True).raw) for url in urls]

texts = ['A dog sitting in the grass.',
         'A dog standing in the snow.',
         'A cat sitting in the grass.',
         'A cat standing in the snow.']

text_inputs = processor([text_prompt.replace('<sent>', text) for text in texts], return_tensors="pt", padding=True).to('cuda')
img_inputs = processor([img_prompt]*len(images), images, return_tensors="pt", padding=True).to('cuda')

with torch.no_grad():
    text_embs = model(**text_inputs, output_hidden_states=True, return_dict=True).hidden_states[-1][:, -1, :]
    img_embs = model(**img_inputs, output_hidden_states=True, return_dict=True).hidden_states[-1][:, -1, :]

    text_embs = F.normalize(text_embs, dim=-1)
    img_embs = F.normalize(img_embs, dim=-1)

print(text_embs @ img_embs.t())
# tensor([[0.7275, 0.3630],
#         [0.5957, 0.5522],
#         [0.4709, 0.6406],
#         [0.4202, 0.7974]])

Как запустить

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

GPU в ailist

Универсальный рантайм · sentence-transformers

Можно запустить

Подбираем GPU…

Класс архитектуры
LlavaNextForConditionalGeneration
Ревизия весов
684c4c9

0 моделей