/ Модель

Характеристики

Контекст
2 048 токенов
Размер весов
22,9 ГБ
Лицензия
Не указана
Архитектура
llava_next · dense
Опубликована
21 мая 2024

falcon-11B-vlm

Изображение и текст → текст6 профессий

Мультимодальная модель TII с 11 млрд параметров для понимания изображений и ответов на вопросы по ним.

288скачиваний за 30 дней49лайковвеса обновлены12 июн 2024

Бенчмарки

Как модель справилась с задачами пользователей ailist и что о ней публикуют открытые лидерборды

Тесты пользователейпока нет

Никто ещё не опубликовал тест этой модели. Соберите бенчмарк из своих задач — результат появится здесь.

  1. Добавьте модель в бенчмарк

    Вместе с другими моделями категории «Изображение → текст» — сравнение идёт внутри одной категории.

  2. Опишите свои задачи

    Напишите запросы, при необходимости приложите файлы и эталонные ответы.

  3. Запустите и опубликуйте

    Модели ответят на каждую задачу, судья оценит ответы. Опубликованный результат появится на этой странице.

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

Falcon2-11B-vlm — мультимодальная модель компании TII с 11 млрд параметров. Она построена на дообученной для диалога языковой модели Falcon2-11B и использует визуальный энкодер CLIP ViT-L/14; для изображений высокого разрешения применяется динамическое кодирование, помогающее распознавать мелкие детали.

Модель предназначена для ответов на вопросы об изображениях и других сценариев взаимодействия с изображениями и текстом. Она обучалась на более чем 5 трлн токенов RefinedWeb и отобранных корпусах, а визуальные возможности добавлены обучением на парах изображение—текст. Основной язык — английский; заявлена также поддержка немецкого, испанского, французского, итальянского, португальского, польского, нидерландского, румынского, чешского и шведского, но качество на других языках может быть ограниченным.

Модель выпущена под лицензией TII Falcon License 2.0 на основе Apache 2.0 с политикой допустимого использования. Карточка предостерегает от производственного применения без оценки рисков и мер снижения вреда. Модель может наследовать стереотипы и предвзятость из веб-данных; для запуска с Transformers требуется PyTorch 2.0.

Сценарии применения

  • ответы на вопросы о содержимом изображения
  • описание объектов и сцен на изображении
  • поиск мелких объектов на изображениях высокого разрешения
  • извлечение и объяснение визуальных деталей

Ограничения

Модель может наследовать предвзятость и стереотипы из веб-данных; на языках, кроме перечисленных в карточке, качество может быть ограниченным. Карточка рекомендует оценивать риски перед производственным применением; для Transformers требуется PyTorch 2.0.

Для каких профессий подходит6

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

🚀 Falcon2-11B-vlm

Falcon2-11B-vlm is an 11B parameters causal decoder-only model built by TII and trained on over 5,000B tokens of RefinedWeb enhanced with curated corpora. To bring vision capabilities, we integrate the pretrained CLIP ViT-L/14 vision encoder with our Falcon2-11B chat-finetuned model and train with image-text data. For enhancing the VLM's perception of fine-grained details w.r.t small objects in images, we employ a dynamic encoding mechanism at high-resolution for image inputs. The model is made available under the TII Falcon License 2.0, the permissive Apache 2.0-based software license which includes an acceptable use policy that promotes the responsible use of AI.

Paper coming soon 😊.

🤗 To get started with Falcon-vlm (inference, finetuning, quantization, etc.), we recommend reading this great blogpost from HF!

from transformers import LlavaNextForConditionalGeneration, LlavaNextProcessor
from PIL import Image
import requests
import torch

processor = LlavaNextProcessor.from_pretrained("tiiuae/falcon-11B-vlm", tokenizer_class='PreTrainedTokenizerFast')
model = LlavaNextForConditionalGeneration.from_pretrained("tiiuae/falcon-11B-vlm", torch_dtype=torch.bfloat16)


url = "http://images.cocodataset.org/val2017/000000039769.jpg"
cats_image = Image.open(requests.get(url, stream=True).raw)
instruction = 'Write a long paragraph about this picture.'

prompt = f"""User:<image>\n{instruction} Falcon:"""
inputs = processor(prompt, images=cats_image, return_tensors="pt", padding=True).to('cuda:0')

model.to('cuda:0')
output = model.generate(**inputs, max_new_tokens=256)


prompt_length = inputs['input_ids'].shape[1]
generated_captions = processor.decode(output[0], skip_special_tokens=True).strip()

print(generated_captions)

💥 Falcon VLMs require PyTorch 2.0 for use with transformers!

For fast inference with Falcon, check-out Text Generation Inference! Read more in this blogpost.

Model Card for Falcon2-11B-VLM

Model Details

Model Description

Model Source

  • Paper: coming soon.

Uses

Direct Use

Research on General large vison language models.

Out-of-Scope Use

Production use without adequate assessment of risks and mitigation; any use cases which may be considered irresponsible or harmful.

Bias, Risks, and Limitations

Falcon2-11B is trained mostly on English, but also German, Spanish, French, Italian, Portuguese, Polish, Dutch, Romanian, Czech, Swedish. It will not generalize appropriately to other languages. Furthermore, as it is trained on a large-scale corpora representative of the web, it will carry the stereotypes and biases commonly encountered online.

Training Details

The training is done in two stages: pretraining and finetuning. In both stages, the visual encoder weights are kept frozen. In the pretraining stage, the LLM is kept frozen and only the multimodal projector is trained on 558K image-caption pairs. This enables the multimodal projector to learn a mapping from visual to text embedding space. During finetuning, both the projector and LLM weights are trained on a corpus of 1.2M image-text instruction data from public datasets, which also includes multi-round conversations. Falcon2-11B-VLM was trained on 16 A100 80GB GPUs with ZeRO and Flash-Attention 2.

The data was tokenized with the Falcon-7B/11B tokenizer.

Training Hyperparameters

HyperparameterValue
Precisionbfloat16
OptimizerAdamW
Max learning rate2e-5
Weight decay0
Batch size256

Evaluation

ModelMMEGQASQAPOPEVQAv2TextVQAMM-BenchSEED-IMG
Falcon2-11B VLM1589/34364.574.988.482.166.772.072.3

Citation

Paper coming soon 😊.

License

Falcon2-11B is licenced under TII Falcon License 2.0, the permissive Apache 2.0-based software license which includes an acceptable use policy that promotes the responsible use of AI.

Contact

falconllm@tii.ae

Как запустить

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

GPU в ailist

Универсальный рантайм

Можно запустить

Подбираем GPU…

Класс архитектуры
LlavaNextForConditionalGeneration
Ревизия весов
be99415

0 моделей