/ Модель

Характеристики

Контекст
8 192 токена
Параметры
7,5 млрд
Размер весов
17,5 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-ViT-Llama3-8b

Генерация текстаТекст → текст3 профессии

Предварительно обученная мультимодальная модель OLA-VLM на базе Llama 3, предназначенная для диалога по изображениям и генерации ответов с визуальным контекстом.

16скачиваний 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

pretrain_dsg_OLA-VLM-CLIP-ViT-Llama3-8b — предварительно обученная мультимодальная модель семейства OLA-VLM, разработанная командой Shi Labs. Она переносит визуальную информацию от целевых энкодеров в промежуточные представления языковой модели и обучается одновременно на задаче предсказания следующего токена и минимизации потерь эмбеддингов на выбранных слоях. Модель предназначена для диалога по изображениям и генерации текстовых ответов с визуальным контекстом.

Модель основана на дообученной Meta-Llama-3-8B-Instruct, использует плотную архитектуру OlaLlavaLlamaForCausalLM и содержит 7,5 млрд параметров. Она принимает изображения и текст, выдаёт текст, поддерживает английский язык и контекст до 8192 токенов. Весы доступны в формате Safetensors.

Модель подходит для визуально ориентированных мультимодальных сценариев, но карточка не приводит количественных оценок качества или подробных результатов тестирования. Лицензия — Apache-2.0.

Сценарии применения

  • ответы на вопросы по изображению
  • описание содержимого изображения
  • диалог с визуальным контекстом
  • генерация текста на основе изображения

Ограничения

В карточке не приведены количественные оценки качества и результаты тестирования.

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-ViT-Llama3-8b Model Card

Note: This is the pretrained model used for OLA-VLM-CLIP-ViT-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
c7ec702

0 моделей