/ Модель

Характеристики

Контекст
4 096 токенов
Параметры
3,7 млрд
Размер весов
8,9 ГБ
Лицензия
Apache 2.0
Архитектура
ola_phi3 · dense
Базовая модель
Phi-3-mini-4k-instruct
Библиотека
transformers
Опубликована
30 ноя 2024

pretrain_dsg_OLA-VLM-CLIP-ViT-Phi3-4k-mini

Генерация текстаТекст → текст

Мультимодальная модель на базе Phi-3 для диалога и генерации текстовых ответов по изображениям.

19скачиваний 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-CLIP-ViT-Phi3-4k-mini от Shi Labs на основе Microsoft Phi-3-mini-4k-instruct. Она объединяет языковую модель Phi-3 с визуальными представлениями и предназначена для диалога и генерации текстовых ответов по изображениям. Обучение направлено на перенос визуальной информации от целевых энкодеров во внутренние представления языковой модели с помощью оптимизации предсказательных эмбеддингов и цели предсказания следующего токена.

Модель содержит 3,7 млрд параметров, использует плотную архитектуру OLA-LLaVA-Phi3 и поддерживает контекст до 4096 токенов. Метаданные указывают английский язык, формат весов safetensors и лицензию Apache-2.0. По сравнению с базовой Phi-3 модель ориентирована на визуальные задачи, включая ответы на вопросы об изображениях; документация не приводит количественных оценок качества или подробностей ограничений визуального ввода.

Сценарии применения

  • ответы на вопросы о содержимом изображения
  • описание объектов и сцен на изображении
  • диалог с использованием визуальной информации
  • генерация текста по изображению

Ограничения

В README не приведены количественные оценки качества и подробные ограничения модели; заявленный контекст составляет 4096 токенов.

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

pretrain_dsg_OLA-VLM-CLIP-ViT-Phi3-4k-mini Model Card

Note: This is the pretrained model used for OLA-VLM-CLIP-ViT-Phi3-4k-mini.

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

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

Класс архитектуры
OlaLlavaPhi3ForCausalLM
Ревизия весов
fe520bc

0 моделей