/ Модель

Характеристики

Размер весов
6 ГБ
Лицензия
Apache 2.0
Архитектура
vlm · dense
Базовая модель
uform-vl-english
Опубликована
25 дек 2023

uform-gen

Генерация текстаТекст → текст4 профессии

Компактная англоязычная модель зрения и языка для создания подписей к изображениям, их описания и ответов на вопросы по визуальному содержимому.

39скачиваний за 30 дней45лайковвеса обновлены31 дек 2023

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

UForm-Gen — компактная генеративная модель «зрение—язык» от Unum Cloud для понимания изображений и создания текстовых ответов о них. Она сочетает визуальный энкодер uform-vl-english с языковой моделью Sheared-LLaMA-1.3B, настроенной на наборы инструкций; размер модели в карточке указан как 1,5 млрд параметров.

Модель предназначена прежде всего для создания подписей к изображениям, краткого описания их содержимого и ответов на вопросы по изображению. Поведение можно направлять текстовыми запросами. Обучение включало MSCOCO, SBU Captions, Visual Genome, VQAv2, GQA и внутренние наборы данных. В README приведены результаты оценки на VQAv2 и показатели скорости генерации на RTX 3090; они не гарантируют аналогичное качество на других данных и оборудовании.

Модель принимает изображения и текстовые инструкции, выдаёт текст; заявленный язык — английский. Репозиторий использует формат safetensors и распространяется по лицензии Apache-2.0.

Сценарии применения

  • создание английских подписей к изображениям
  • ответы на вопросы по содержимому фотографии
  • краткое описание сцены на изображении
  • извлечение визуальных деталей по текстовому запросу

Ограничения

Модель ориентирована на английский язык и задачи описания изображений и визуальных вопросов; показатели из README относятся к указанным оценочным наборам и конфигурации оборудования.

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

Description

UForm-Gen is a small generative vision-language model primarily designed for Image Captioning and Visual Question Answering. The model consists of two parts:

  1. uform-vl-english visual encoder,
  2. Sheared-LLaMA-1.3B language model tuned on instruction datasets.

The model was pre-trained on: MSCOCO, SBU Captions, Visual Genome, VQAv2, GQA and a few internal datasets.

Usage

pip install uform

The generative model can be used to caption images, summarize their content, or answer questions about them. The exact behavior is controlled by prompts.

from uform.gen_model import VLMForCausalLM, VLMProcessor

model = VLMForCausalLM.from_pretrained("unum-cloud/uform-gen")
processor = VLMProcessor.from_pretrained("unum-cloud/uform-gen")

# [cap] Narrate the contents of the image with precision.
# [cap] Summarize the visual content of the image.
# [vqa] What is the main subject of the image?
prompt = "[cap] Summarize the visual content of the image."
image = Image.open("zebra.jpg")

inputs = processor(texts=[prompt], images=[image], return_tensors="pt")
with torch.inference_mode():
     output = model.generate(
        **inputs,
        do_sample=False,
        use_cache=True,
        max_new_tokens=128,
        eos_token_id=32001,
        pad_token_id=processor.tokenizer.pad_token_id
    )

prompt_len = inputs["input_ids"].shape[1]
decoded_text = processor.batch_decode(output[:, prompt_len:])[0]

Evaluation

For captioning evaluation we measure CLIPScore and RefCLIPScore¹.

ModelSizeCaption LengthCLIPScoreRefCLIPScore
llava-hf/llava-1.5-7b-hf7BLong0.8780.529
llava-hf/llava-1.5-7b-hf7BShort0.8860.531
Salesforce/instructblip-vicuna-7b7BLong0.9020.534
Salesforce/instructblip-vicuna-7b7BShort0.8480.523
unum-cloud/uform-gen1.5BLong0.8470.523
unum-cloud/uform-gen1.5BShort0.8420.522

Results for VQAv2 evaluation.

ModelSizeAccuracy
llava-hf/llava-1.5-7b-hf7B78.5
unum-cloud/uform-gen1.5B66.5

¹ We used apple/DFN5B-CLIP-ViT-H-14-378 CLIP model.

Speed

On RTX 3090, the following performance is expected on text token generation using float16, equivalent PyTorch settings, and greedy decoding.

ModelSizeSpeedSpeedup
llava-hf/llava-1.5-7b-hf7B~ 40 tokens/second
Salesforce/instructblip-vicuna-7b7B~ 40 tokens/second
unum-cloud/uform-gen1.5B~ 140 tokens/secondx 3.5

Как запустить

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

GPU в ailist

Универсальный рантайм

Нельзя запустить

Архитектура vlm неизвестна transformers в образе рантайма.

Класс архитектуры
VLMForCausalLM
Ревизия весов
5010620

0 моделей