/ Модель

Характеристики

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

uform-gen-chat

Генерация текстаТекст → текст4 профессии

Компактная мультимодальная модель для описания изображений, ответов на вопросы о них и диалога с визуальным контекстом.

94скачиваний за 30 дней18лайковвеса 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-Chat — компактная мультимодальная модель компании unum-cloud для понимания изображений и общения о них. Она принимает изображение и текстовый запрос, а в ответ генерирует текст; основные задачи — создание подписей к изображениям и визуальные ответы на вопросы. Chat-версия получена дообучением UForm-Gen на мультимодальных инструкциях. В состав базовой модели входят визуальный энкодер UForm Vision Encoder и языковая модель Sheared-LLaMA-1.3B; при обучении использовались MSCOCO, SBU Captions, Visual Genome, VQAv2, GQA и внутренние наборы данных.

Модель подходит для описания содержимого изображений, ответов на вопросы о сценах и диалоговых сценариев с визуальным контекстом. В метаданных указаны английский язык и лицензия Apache-2.0. README характеризует модель как небольшую, но не приводит точный общий размер параметров или длину контекста. Качество зависит от изображения и формулировки запроса; модель предназначена для визуальных задач и не подтверждена как универсальная языковая модель.

Сценарии применения

  • создание текстовых подписей к изображениям
  • ответы на вопросы о содержимом фотографии
  • описание объектов и их расположения в сцене
  • диалог с вопросами по изображению

Ограничения

Модель ориентирована на изображения и визуальные вопросы; её качество для других задач в карточке не подтверждено. Точные размер модели и длина контекста не приведены.

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 Vision Encoder
  2. Sheared-LLaMA-1.3B manually tuned on the instructions dataset

The model was pre-trained on: MSCOCO, SBU Captions, Visual Genome, VQAv2, GQA and a few internal datasets. UForm-Gen-Chat is SFT version of UForm-Gen for multimodal chat.

Usage

pip install uform

For the CLI demo run the following:

uform-chat --model unum-cloud/uform-gen-chat --image_path=zebra.jpg
uform-chat --model unum-cloud/uform-gen-chat --image_path=zebra.jpg --device="cuda:0" --fp16

Or if you want to use the model in your code:

from uform.gen_model import VLMForCausalLM, VLMProcessor

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

prompt = "What do you see?"
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-gen-chat1.5BLong0.8600.525
unum-cloud/uform-gen-chat1.5BShort0.8580.525

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

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
409c1bb

0 моделей