/ Модель

Характеристики

Контекст
131 072 токена
Параметры
7,1 млрд
Размер весов
16,6 ГБ
Лицензия
Apache 2.0
Архитектура
dimple · dense
Базовая модель
Dream-v0-Instruct-7B
Библиотека
transformers
Опубликована
19 мая 2025

Dimple-7B

Изображение и текст → текст5 профессий

Dimple-7B — мультимодальная диффузионная языковая модель для диалога и ответов на вопросы по изображениям.

84скачиваний за 30 дней9лайковвеса обновлены26 мая 2025

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

Dimple-7B — мультимодальная языковая модель с дискретной диффузией, разработанная авторами проекта Dimple. Она предназначена для диалога и ответов на вопросы по изображениям и текстовым инструкциям. Модель содержит 7,1 млрд параметров, построена на архитектуре Dimple и использует гибридное обучение: сначала авторегрессионную настройку для выравнивания и следования инструкциям, затем дообучение с диффузией. Базой служит Dream-org/Dream-v0-Instruct-7B; для обучения использовались наборы LLaVA-CC3M-Pretrain-595K и LLaVA-NeXT-Data.

Модель поддерживает контекст до 131 072 токенов и несколько режимов диффузионного декодирования, а также управление форматом, структурой и длиной ответа с помощью структурных априоров. В README сообщается о результате на 3,9% выше LLaVA-NEXT-7B при сопоставимом бюджете обучения; это заявление авторов и не гарантирует превосходства на других задачах. Для запуска указаны Transformers 4.46.2, PyTorch 2.5.1 и Accelerate 1.6.0. Модель распространяется по лицензии Apache-2.0.

Сценарии применения

  • ответы на вопросы по изображениям
  • описание содержимого изображения по текстовому запросу
  • диалог с визуальным контекстом
  • генерация ответов с заданной структурой и длиной

Ограничения

В README приведено сравнение на конкретном бенчмарке, но оно не гарантирует аналогичного качества на других данных и задачах. Для запуска указаны версии Transformers, PyTorch и Accelerate, которые могут требовать соответствующей среды.

Для каких профессий подходит5

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

💧 Dimple-7B

Dimple is the first Discrete Diffusion Multimodal Large Language Model (DMLLM) that leverages a hybrid training paradigm combining autoregressive and diffusion-based instruction tuning. The model architecture is similar to Qwen and LLaVA, while introducing an autoregressive-then-diffusion training strategy:

  • Stage 1: Autoregressive fine-tuning for alignment and initial instruction tuning.
  • Stage 2: Diffusion-based fine-tuning for enhanced instruction-following capabilities.

Trained on the same dataset as LLaVA-NEXT, Dimple-7B surpasses LLaVA-NEXT-7B by 3.9%, demonstrating that diffusion-based multimodal language models can match its autoregressive counterparts under similar training budget.


🔍 Highlights

  • Hybrid Training: Combines autoregressive and diffusion training.
  • Diffusion Decoding: Supports confident decoding, random decoding, maskgit-style decoding, and entropy-based decoding.
  • Controllable Generation: Enables fine-grained control over format, structure, and length via structure priors.
  • Autoregressive-like Prefilling: Enhances inference speed using prefilling techniques.

📊 Evaluation Results

BenchmarkDimple-7B (ours)LLaVA-1.5-7BLLaVA-NEXT-7BEagle-7BEagle2-9BQwen-VL-7BQwen2.5-VL-7B
Training Samples1.3M1.2M1.3M2.4M27.8M1.5B-
Training Tokens0.8B-----2.6T
Base LLMDream (Qwen2.5)VicunaVicuna-1.5VicunaQwen2.5QwenQwen2.5
GQA59.262.064.864.9-59.3-
MMBench (en test)74.664.368.768.4--83.5
MME (Perception)1514151015191528---
MME (Cognition)432-332----
MME (Total)1946-1851---2347
POPE86.285.886.788.8---
MMMU (val)45.2-35.836.356.1-58.6
SQA (img)77.166.872.870.0---
AI2D74.4-65.4-83.962.383.9
ChartQA63.4-54.967.786.465.787.3
TextVQA61.6-64.8-83.0--
OCRBench565-490529---
MathVista (mini)42.3-33.0-63.837.068.2
MMVet41.231.147.3-62.2-67.1

🛠️ Environment

Make sure your environment includes the following versions:

transformers==4.46.2
torch==2.5.1
accelerate==1.6.0

🚀 Inference Example

import torch
from transformers import AutoProcessor, AutoModel
import json, requests
from PIL import Image

model_name = "rp-yu/Dimple-7B"
processor = AutoProcessor.from_pretrained(
    model_name,
    trust_remote_code=True
)
model = AutoModel.from_pretrained(
    model_name,
    torch_dtype=torch.bfloat16,
    trust_remote_code=True,
)

image_url = "https://qianwen-res.oss-cn-beijing.aliyuncs.com/Qwen-VL/assets/demo.jpeg"
messages = [
    [{"role": "user", "content": [
        {"type": "image", "image": image_url},
        {"type": "text", "text": "Describe this image."}
    ]}],
]
text = processor.apply_chat_template(
    messages, tokenize=False, add_generation_prompt=True, add_vision_id=False
)
images = [
    Image.open(requests.get(image_url, stream=True).raw).convert("RGB")
]

inputs = processor(
    text=text,
    images=images,
    videos=None,
    padding="longest",
    return_tensors="pt",
)

input_ids = inputs.pop("input_ids")
output = model.diffusion_generate(
    input_ids,
    max_new_tokens=64,
    output_history=True,
    return_dict_in_generate=True,
    steps=64,
    temperature=0.2,
    top_p=0.95,
    alg="origin",
    use_cache=True,
    alg_p_threshold=0.95,
    use_original_confidence=True,
    decoding_pipeline="dim",
    **inputs
)

generations = [
    processor.tokenizer.decode(g[len(p):].cpu().tolist())
    for p, g in zip(input_ids, output.sequences)
]

for j in range(len(messages)):
    print("output:", j, generations[j].split(processor.tokenizer.eos_token)[0])

# output: 0 In the image, a woman wearing a shirt with a plaid and a dog are sitting together on a beach. The sun appears to be setting in the background, creating a warm and serene atmosphere.

📚 Citation

@misc{dimple,
      title={Dimple: Discrete Diffusion Multimodal Large Language Model with Parallel Decoding}, 
      author={Runpeng Yu and Xinyin Ma and Xinchao Wang},
      year={2025},
      eprint={2505.16990},
      archivePrefix={arXiv},
      primaryClass={cs.CV},
      url={https://arxiv.org/abs/2505.16990}, 
}

Как запустить

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

GPU в ailist

Универсальный рантайм · transformers

Нельзя запустить

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

Класс архитектуры
DimpleModel
Ревизия весов
fca72b3

0 моделей