/ Модель

Характеристики

Контекст
8 192 токена
Параметры
7,5 млрд
Размер весов
18,6 ГБ
Лицензия
Apache 2.0
Архитектура
ola_llama · dense
Базовая модель
Meta-Llama-3-8B-Instruct
Библиотека
transformers
Опубликована
30 ноя 2024

pretrain_dsg_OLA-VLM-CLIP-ConvNeXT-Llama3-8b

Генерация текстаТекст → текст3 профессии

Мультимодальная модель OLA-VLM на базе Llama 3 предназначена для диалога и генерации текста с учётом изображений.

11скачиваний за 30 дней0лайковвеса обновлены10 дек 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

Это предварительно обученная мультимодальная модель OLA-VLM, разработанная авторами проекта OLA-VLM. Она переносит визуальную информацию от целевых энкодеров в промежуточные представления языковой модели, обучаясь одновременно предсказывать эмбеддинги на выбранных слоях и следующий токен. Модель предназначена для диалога по изображениям и генерации текста с визуальным контекстом.

Архитектура основана на плотной модели OlaLlavaLlamaForCausalLM и дообученной Meta-Llama-3-8B-Instruct; размер составляет 7,5 млрд параметров, контекст — 8192 токена. В карточке указана поддержка английского языка, библиотека Transformers и формат safetensors. Лицензия — Apache-2.0. Количественные оценки качества и конкретные ограничения в карточке не приведены.

Сценарии применения

  • ответы на вопросы по содержимому изображения
  • описание изображений в диалоге
  • генерация текста с визуальным контекстом

Ограничения

В карточке не приведены количественные оценки качества и результаты сравнения; модель обозначена как предварительно обученная.

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

pretrain_dsg_OLA-VLM-CLIP-ConvNeXT-Llama3-8b Model Card

Note: This is the pretrained model used for OLA-VLM-CLIP-ConvNeXT-Llama3-8b.

OLA-VLM distills target visual information into the intermediate representations of the LLM from a set of target encoders. It adopts a predictive embedding optimization approach at selected LLM layers during training to minimize the embedding losses along with the next token prediction (NTP) objective, resulting in a vision-centric approach to training the Multimodal Large Language Model.

Citation

If you found our work useful in your research, please consider starring ⭐ us on GitHub and citing 📚 us in your research!

@article{jain2024ola_vlm,
    title={{OLA-VLM: Elevating Visual Perception in Multimodal LLMs with Auxiliary Embedding Distillation}},
    author={Jitesh Jain and Zhengyuan Yang and Humphrey Shi and Jianfeng Gao and Jianwei Yang},
    journal={arXiv},
    year={2024}
}

Как запустить

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

GPU в ailist

Универсальный рантайм · transformers

Нельзя запустить

Архитектура ola_llama неизвестна transformers в образе рантайма.

Класс архитектуры
OlaLlavaLlamaForCausalLM
Ревизия весов
f30fa68

0 моделей