/ Модель

Характеристики

Контекст
2 048 токенов
Размер весов
6,6 ГБ
Лицензия
CC BY-NC 4.0
Архитектура
llava-jp · dense
Опубликована
17 апр 2024

llava-jp-1.3b-v1.1

Генерация текстаТекст → текст3 профессии

Японская зрительно-языковая модель на 1,3 млрд параметров для диалога, ответов на вопросы и описания изображений.

23скачиваний за 30 дней12лайковвеса обновлены20 апр 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

LLaVA-JP 1.3B v1.1 — японская зрительно-языковая модель, разработанная на основе текстового декодера llm-jp/llm-jp-1.3b-v1.0 и визуального энкодера google/siglip-so400m-patch14-384. Модель обучалась в два этапа: сначала с визуальным проектором на LLaVA-Pretrain-JA, затем дообучалась на LLaVA-v1.5-Instruct-620K-JA. Архитектура — плотная LlavaGpt2ForCausalLM; веса опубликованы в формате safetensors.

Модель предназначена для диалога по изображениям, ответов на вопросы о визуальном содержимом и создания описаний изображений на японском языке. Поддерживает изображения высокого разрешения до 768 × 768 с масштабированием методом scaling_on_scales; длина контекста — 2048 токенов. В сравнительной таблице README приведены результаты на японских бенчмарках, включая среднюю оценку 50,39 на Heron-Bench.

Лицензия CC-BY-NC-4.0 разрешает использование с указанием авторства, но запрещает коммерческое применение. Модель компактнее приведённых в README 7B-систем, однако её качество следует оценивать с учётом японской языковой специализации и результатов на конкретных бенчмарках.

Сценарии применения

  • ответы на вопросы по изображениям на японском языке
  • создание японских описаний изображений
  • диалог о содержимом фотографии или иллюстрации

Ограничения

Лицензия CC-BY-NC-4.0 запрещает коммерческое использование. Заявленные характеристики качества основаны на японских бенчмарках; контекст ограничен 2048 токенами.

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

LLaVA-JP Model Card

Model detail

Model type:

LLaVA-JP is a vision-language model that can converse about input images. This model is an LVLM model trained using google/siglip-so400m-patch14-384 as the image encoder and llm-jp/llm-jp-1.3b-v1.0 as the text decoder. supports the input of 768 x 768 high resolution images by scaling_on_scales method.

Training:

This model was initially trained with the Vision Projector using LLaVA-Pretrain-JA. In the second phase, it was fine-tuned with LLaVA-v1.5-Instruct-620K-JA.

resources for more information: https://github.com/tosiyuki/LLaVA-JP/tree/main

Comparing VLMs

ModelJA-VG-VQA-500(ROUGE-L)JA-VLM-Bench-In-the-Wild(ROUGE-L)Heron-Bench(Detail)Heron-Bench(Conv)Heron-Bench(Complex)Heron-Bench(Average)
Japanese Stable VLM-40.5025.1551.2337.8438.07
EvoVLM-JP-v1-7B19.7051.2550.3144.4240.4745.07
Heron BLIP Japanese StableLM Base 7B llava-620k14.5133.2649.0941.5145.7245.44
Heron GIT Japanese StableLM Base 7B15.1837.8242.7754.2043.5346.83
llava-jp-1.3b-v1.0-620k12.6944.5851.2141.0545.9544.84
llava-jp-1.3b-v1.113.3344.4050.0051.8348.9850.39

image/png

How to use the model

1. Download dependencies

git clone https://github.com/tosiyuki/LLaVA-JP.git

2. Inference

import requests
import torch
import transformers
from PIL import Image

from transformers.generation.streamers import TextStreamer
from llava.constants import DEFAULT_IMAGE_TOKEN, IMAGE_TOKEN_INDEX
from llava.conversation import conv_templates, SeparatorStyle
from llava.model.llava_gpt2 import LlavaGpt2ForCausalLM
from llava.train.arguments_dataclass import ModelArguments, DataArguments, TrainingArguments
from llava.train.dataset import tokenizer_image_token


if __name__ == "__main__":
    model_path = 'toshi456/llava-jp-1.3b-v1.1'
    device = "cuda" if torch.cuda.is_available() else "cpu"
    torch_dtype = torch.bfloat16 if device=="cuda" else torch.float32

    model = LlavaGpt2ForCausalLM.from_pretrained(
        model_path, 
        low_cpu_mem_usage=True,
        use_safetensors=True,
        torch_dtype=torch_dtype,
        device_map=device,
    )
    tokenizer = transformers.AutoTokenizer.from_pretrained(
        model_path,
        model_max_length=1532,
        padding_side="right",
        use_fast=False,
    )
    model.eval()

    conv_mode = "v1"
    conv = conv_templates[conv_mode].copy()

    # image pre-process
    image_url = "https://huggingface.co/rinna/bilingual-gpt-neox-4b-minigpt4/resolve/main/sample.jpg"
    image = Image.open(requests.get(image_url, stream=True).raw).convert('RGB')
    
    image_size = model.get_model().vision_tower.image_processor.size["height"]
    if model.get_model().vision_tower.scales is not None:
        image_size = model.get_model().vision_tower.image_processor.size["height"] * len(model.get_model().vision_tower.scales)
    
    if device == "cuda":
        image_tensor = model.get_model().vision_tower.image_processor(
            image, 
            return_tensors='pt', 
            size={"height": image_size, "width": image_size}
        )['pixel_values'].half().cuda().to(torch_dtype)
    else:
        image_tensor = model.get_model().vision_tower.image_processor(
            image, 
            return_tensors='pt', 
            size={"height": image_size, "width": image_size}
        )['pixel_values'].to(torch_dtype)

    # create prompt
    # ユーザー: <image>\n{prompt}
    prompt = "猫の隣には何がありますか?"
    inp = DEFAULT_IMAGE_TOKEN + '\n' + prompt
    conv.append_message(conv.roles[0], inp)
    conv.append_message(conv.roles[1], None)
    prompt = conv.get_prompt()

    input_ids = tokenizer_image_token(
        prompt, 
        tokenizer, 
        IMAGE_TOKEN_INDEX, 
        return_tensors='pt'
    ).unsqueeze(0)
    if device == "cuda":
        input_ids = input_ids.to(device)

    input_ids = input_ids[:, :-1] # </sep>がinputの最後に入るので削除する
    stop_str = conv.sep if conv.sep_style != SeparatorStyle.TWO else conv.sep2
    keywords = [stop_str]
    streamer = TextStreamer(tokenizer, skip_prompt=True, timeout=20.0)

    # predict
    with torch.inference_mode():
        model.generate(
            inputs=input_ids,
            images=image_tensor,
            do_sample=True,
            temperature=0.1,
            top_p=1.0,
            max_new_tokens=256,
            streamer=streamer,
            use_cache=True,
        )
    """猫の隣にはノートパソコンがあります。"""

Training dataset

Stage1 Pretrain

Stage2 Fine-tuning

Acknowledgement

License

cc-by-nc-4.0

Как запустить

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

GPU в ailist

Универсальный рантайм

Нельзя запустить

Архитектура llava-jp неизвестна transformers в образе рантайма.

Класс архитектуры
LlavaGpt2ForCausalLM
Ревизия весов
4b4e71a

0 моделей