/ Модель

Характеристики

Контекст
4 096 токенов
Размер весов
28,8 ГБ
Лицензия
MIT
Архитектура
sarashina2_vision · dense
Базовая модель
sarashina2-13b
Библиотека
transformers
Опубликована
9 мар 2025

sarashina2-vision-14b

Генерация текстаТекст → текст3 профессии

Японская визуально-языковая модель SB Intuitions для ответов на вопросы и описания содержимого изображений.

324скачиваний за 30 дней13лайковвеса обновлены27 мар 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

Sarashina2-Vision-14B — японская визуально-языковая модель SB Intuitions, объединяющая языковую модель Sarashina2-13B и визуальный энкодер Qwen2-VL-7B. Модель принимает изображение и текстовый запрос, а отвечает текстом; примеры в карточке показывают распознавание объектов и ответы на вопросы о содержимом и расположении объектов на изображении.

Модель дообучена в три этапа: сначала настраивался проектор на данных для создания описаний изображений, затем вместе с проектором обучался визуальный энкодер, а на заключительном этапе проектор и языковая модель дообучались на визуальных инструкциях. В сравнительной оценке японских VLM, приведённой авторами по состоянию на 7 марта 2025 года, Sarashina2-Vision-14B показала лучшие результаты среди сравниваемых моделей на JMMMU и JDocQA.

Основной язык модели — японский; базовая Sarashina2-13B также предназначена для генерации японского и английского текста. Репозиторий использует формат safetensors и библиотеку Transformers. Лицензия — MIT. Модель может выдавать неточные, бессмысленные, предвзятые или нежелательные ответы; для практического применения авторы рекомендуют дополнительную настройку с учётом предпочтений людей и требований безопасности.

Сценарии применения

  • ответы на вопросы о содержимом изображения на японском языке
  • распознавание объектов и описание их расположения на изображении
  • создание текстовых описаний изображений
  • ответы на вопросы по визуальным документам

Ограничения

Модель может выдавать бессмысленные или неточные ответы, а также предвзятый или нежелательный контент. Авторы рекомендуют дополнительную настройку с учётом предпочтений людей и требований безопасности.

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

Sarashina2-Vision-14B

Sarashina2-Vision-14B is a Japanese Large Vision Language Model trained by SB Intuitions.

This model is based on Sarashina2-13B and Image Encoder of Qwen2-VL-7B.

It achieved the highest level of scores in 4 benchmarks (as of 2025/03/07) compared to other Japanese VLMs.

How to use

1. Install dependencies

pip install -U transformers==4.47.0 torch torchvision pillow protobuf sentencepiece accelerate

2. Inference

The following script loads the model and allows inference.

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

# Define model path
model_path = "sbintuitions/sarashina2-vision-14b"

# Load model and processor
processor = AutoProcessor.from_pretrained(model_path, trust_remote_code=True)
model = AutoModelForCausalLM.from_pretrained(
    model_path,
    device_map="cuda",
    torch_dtype="auto",
    trust_remote_code=True,
)

message = [{"role": "user", "content": "この写真に写っているもので、最も有名と考えられる建築物は何でどこに写っていますか?"}]
text_prompt = processor.apply_chat_template(message, add_generation_prompt=True)
"""text_prompt: <s><|prefix|><|file|><|suffix|>A chat between a curious human and an artificial intelligence assistant. The assistant gives helpful, detailed, and polite answers to the human's questions.

### Human: この写真に写っているもので、最も有名と考えられる建築物は何でどこに写っていますか?
### Assistant:"""

sample_image_url = "https://huggingface.co/sbintuitions/sarashina2-vision-14b/resolve/main/sample.jpg"
image = Image.open(requests.get(sample_image_url, stream=True).raw).convert("RGB")
inputs = processor(
    text=[text_prompt],
    images=[image],
    padding=True,
    return_tensors="pt",
)
inputs = inputs.to("cuda")
stopping_criteria = processor.get_stopping_criteria(["\n###"])

# Inference: Generation of the output
output_ids = model.generate(
    **inputs,
    max_new_tokens=128,
    temperature=0.0,
    do_sample=False,
    stopping_criteria=stopping_criteria,
)
generated_ids = [
    output_ids[len(input_ids) :] for input_ids, output_ids in zip(inputs.input_ids, output_ids)
]
output_text = processor.batch_decode(
    generated_ids, skip_special_tokens=True, clean_up_tokenization_spaces=True
)
print(output_text[0])
"""この写真に写っているもので、最も有名と考えられる建築物は東京タワーです。東京タワーは、東京の街並みの右側に写っています。"""

Example

PromptOutput
この写真に写っているもので、最も有名と考えられる建築物は何でどこに写っていますか?この写真に写っているもので、最も有名と考えられる建築物は東京タワーです。東京タワーは、東京の街並みの右側に写っています。
真ん中に映っている赤と白の物は何ですか?赤と白の物はクレーンです。

Training

Sarashina2-Vision is created through the following three-stage learning process:

  1. We tune the parameters in the projector by caption datasets.
  2. We tune the parameters in the Vision Encoder and projector by caption datasets.
  3. We tune the parameters in the projector and LLM by Visual Instruction datasets.

Evaluation Results

ModelModel SizeJMMMU*1Heron-Bench*2JDocQA
heron-chat-git-ja-stablelm-base-7b-v17B0.2940.4610.069
llava-calm2-siglip7B0.070.5210.084
Llama-3-EvoVLM-JP-v28B0.3890.5090.103
Asagi-14B14B0.3020.4330.06
llm-jp-3-vila-14b14B0.230.6650.176
EZO-InternVL2-26B26B0.3890.6090.196
Sarashina2-Vision-8B8B0.3930.6480.229
Sarashina2-Vision-14B14B0.4330.6440.245
  1. Evaluated only single image samples (1,286 samples). If answer extraction failed, we treated it as incorrect (score 0) instead of making a random choice to eliminate stochasticity.
  2. GPT-4o (gpt-4o-2024-08-06) was used for LLM-as-a-Judge.

Ethical Considerations and Limitations

Sarashina2-Vision might generate some meaningless sequences, some inaccurate instances or biased/objectionable outputs. Before using Sarashina2-Vision, we would like developers to tune models based on human preferences and safety considerations.

LICENSE

MIT License

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
Sarashina2VisionForCausalLM
Ревизия весов
979aca3

0 моделей