/ Модель

Характеристики

Контекст
3 072 токена
Размер весов
6,4 ГБ
Лицензия
Apache 2.0
Архитектура
tinyllava · dense
Опубликована
15 мая 2024

TinyLLaVA-Phi-2-SigLIP-3.1B

Генерация текстаТекст → текст4 профессии

Компактная мультимодальная модель TinyLLaVA на Phi-2 и SigLIP для ответов на текстовые вопросы об изображениях.

938скачиваний за 30 дней17лайковвеса обновлены18 мая 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

TinyLLaVA-Phi-2-SigLIP-3.1B — мультимодальная модель семейства TinyLLaVA, разработанная командой TinyLLaVA. Она сочетает языковую модель Phi-2 и визуальный энкодер siglip-so400m-patch14-384, а для обучения использовался датасет ShareGPT4V. Модель принимает изображение и текстовый запрос и генерирует текстовый ответ; её можно применять для вопросов об изображениях и описания их содержимого.

Авторы представляют её как компактную модель с 3,1 млрд параметров и сообщают, что по совокупным результатам тестов она превосходит некоторые модели на 7 млрд параметров, включая LLaVA-1.5 и Qwen-VL. README приводит оценки на наборах VQAv2, GQA, SQA, TextVQA, MM-VET, POPE и MME. Лицензия репозитория — Apache-2.0. Длина контекста и перечень поддерживаемых языков в доступных материалах не приведены.

Сценарии применения

  • ответы на вопросы по содержимому изображения
  • описание объектов и сцен на изображениях
  • извлечение и объяснение визуальной информации по запросу

Ограничения

README не сообщает длину контекста и языки модели. Приведённые оценки относятся к указанным бенчмаркам и сами по себе не гарантируют качество на других типах изображений или запросов.

Для каких профессий подходит4

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

TinyLLaVA

arXivGithubDemo TinyLLaVA has released a family of small-scale Large Multimodel Models(LMMs), ranging from 1.4B to 3.1B. Our best model, TinyLLaVA-Phi-2-SigLIP-3.1B, achieves better overall performance against existing 7B models such as LLaVA-1.5 and Qwen-VL.

Here, we introduce TinyLLaVA-Phi-2-SigLIP-3.1B, which is trained by the TinyLLaVA Factory codebase. For LLM and vision tower, we choose Phi-2 and siglip-so400m-patch14-384, respectively. The dataset used for training this model is the ShareGPT4V dataset.

Usage

Execute the following test code:

from transformers import AutoTokenizer, AutoModelForCausalLM

hf_path = 'tinyllava/TinyLLaVA-Phi-2-SigLIP-3.1B'
model = AutoModelForCausalLM.from_pretrained(hf_path, trust_remote_code=True)
model.cuda()
config = model.config
tokenizer = AutoTokenizer.from_pretrained(hf_path, use_fast=False, model_max_length = config.tokenizer_model_max_length,padding_side = config.tokenizer_padding_side)
prompt="What are these?"
image_url="http://images.cocodataset.org/test-stuff2017/000000000001.jpg"
output_text, genertaion_time = model.chat(prompt=prompt, image=image_url, tokenizer=tokenizer)

print('model output:', output_text)
print('runing time:', genertaion_time)

Result

model_namevqav2gqasqatextvqaMM-VETPOPEMMEMMMU
LLaVA-1.5-7B78.562.066.858.230.585.91510.7-
bczhou/TinyLLaVA-3.1B (our legacy model)79.962.069.159.132.086.41464.9-
tinyllava/TinyLLaVA-Gemma-SigLIP-2.4B78.461.664.453.626.986.41339.031.7
tinyllava/TinyLLaVA-Phi-2-SigLIP-3.1B80.162.173.060.337.587.21466.438.4

P.S. TinyLLaVA Factory is an open-source modular codebase for small-scale LMMs with a focus on simplicity of code implementations, extensibility of new features, and reproducibility of training results. This code repository provides standard training&evaluating pipelines, flexible data preprocessing&model configurations, and easily extensible architectures. Users can customize their own LMMs with minimal coding effort and less coding mistake.

TinyLLaVA Factory integrates a suite of cutting-edge models and methods.

  • LLM currently supports OpenELM, TinyLlama, StableLM, Qwen, Gemma, and Phi.
  • Vision tower currently supports CLIP, SigLIP, Dino, and combination of CLIP and Dino.
  • Connector currently supports MLP, Qformer, and Resampler.

Как запустить

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

GPU в ailist

Универсальный рантайм

Нельзя запустить

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

Класс архитектуры
TinyLlavaForConditionalGeneration
Ревизия весов
a98601f

0 моделей