/ Модель

Характеристики

Контекст
4 096 токенов
Параметры
7 млрд
Размер весов
15,1 ГБ
Лицензия
Apache 2.0
Архитектура
llava_llama · dense
Базовая модель
Trillion-7B-preview
Библиотека
transformers
Опубликована
20 апр 2025

Trillion-LLaVA-7B

Генерация текстаТекст → текст4 профессии

Trillion-LLaVA-7B — мультимодальная модель TrillionLabs, которая отвечает на вопросы и выполняет визуальные рассуждения по изображениям на английском и корейском языках.

87скачиваний за 30 дней12лайковвеса обновлены20 апр 2025

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

Trillion-LLaVA-7B — мультимодальная модель TrillionLabs для понимания изображений и ответов на вопросы о них. Это дообученная на визуально-языковых инструкциях версия Trillion-7B-preview с архитектурой LlavaLlamaForCausalLM и 7 млрд параметров; файлы модели представлены в формате safetensors. Модель принимает изображение и текстовый запрос, выдаёт текстовый ответ. Контекст составляет 4096 токенов.

Модель предназначена для визуальных вопросов и рассуждений по изображениям. В README описано обучение на англоязычных визуально-языковых парах и приведены результаты на английском и корейском тестах; авторы отмечают перенос корейских навыков визуального рассуждения благодаря многоязычной языковой основе Trillion-7B-preview. Модель распространяется по лицензии Apache-2.0.

Ограничение модели — визуальные инструкции для обучения были только на английском языке, поэтому качество на других языках может быть ниже. Она также наследует ограничения базовой Trillion-7B-preview.

Сценарии применения

  • ответы на вопросы о содержимом изображения
  • описание объектов и сцен на изображении
  • визуальное рассуждение на английском языке
  • визуальное рассуждение на корейском языке

Ограничения

Модель обучалась на визуально-языковых инструкциях только на английском языке, поэтому её возможности на других языках могут быть ограничены. Она также наследует ограничения базовой Trillion-7B-preview.

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

Introduction

We introduce Trillion-LLaVA-7B, a Vision Language Model (VLM) capable of understanding images.

To better observe the transfer of multilinguality in vision tasks under controlled conditions, we adopted the same dataset, two-stage training strategy, and model architecture as LLaVA. While Trillion-7B-preview-vision was trained exclusively on English vision-language instruction pairs, the model is able to demonstrate strong performance on Korean visual reasoning tasks. The results indicate that our model’s robust multilingual foundation enables the effective transfer of visual reasoning capabilities across languages without requiring language-specific visual training data.

Evaluation

Performance comparison (English, Korean) across different vision-language models

ModelMMBENCH EnMMBENCH KoSEED-I EnSEED-I KoMMStar EnMMStar KoK-DTCB
Llava-1.5-7b0.640.430.660.520.340.330.30
Llava-1.6-mistral-7b0.680.490.720.610.360.330.30
Trillion-LLaVA-7B0.660.610.680.660.370.370.33

Limitations

  • Lack of training on multilingual visual instruction tuning data: The model was trained exclusive on English vision-language pairs, which leaves room for improvement on other language pairs.
  • The model inherits the limitations of Trillion-7B-preview, since no additional training was done except on vision language understanding data.

License

This model repository is licensed under the Apache-2.0 License.

Как запустить

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

GPU в ailist

Универсальный рантайм · transformers

Нельзя запустить

Архитектура llava_llama неизвестна transformers в образе рантайма.

Класс архитектуры
LlavaLlamaForCausalLM
Ревизия весов
f0bfb3c

0 моделей