/ Модель

Характеристики

Размер весов
5,1 ГБ
Лицензия
Apache 2.0
Архитектура
vlm · dense
Библиотека
transformers
Опубликована
27 мар 2024

uform-gen2-dpo

Генерация текстаТекст → текст5 профессий

Компактная мультимодальная модель unum-cloud для описания изображений, визуальных вопросов и диалога по изображению.

4 248скачиваний за 30 дней46лайковвеса обновлены24 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

UForm-Gen2-dpo — компактная генеративная модель «зрение — язык» от unum-cloud, разработанная для описания изображений и ответов на вопросы о них. Модель также подходит для мультимодального диалога с изображениями.

Архитектура сочетает CLIP-подобный ViT-H/14 для обработки изображений и Qwen1.5-0.5B-Chat для генерации текста. Модель дообучена методом Direct Preference Optimization на наборах предпочтений VLFeedback и LLaVA-Human-Preference-10K. В карточке приведены результаты оценки на MME по задачам восприятия и рассуждения, включая OCR, распознавание цветов и подсчёт объектов.

Для работы модель принимает изображение и текстовый запрос, а отвечает текстом. Карточка указывает английский язык. Модель распространяется по лицензии Apache-2.0.

Сценарии применения

  • создание текстовых подписей к изображениям
  • ответы на вопросы о содержимом изображения
  • мультимодальный диалог с изображением
  • распознавание объектов, цветов и сцен на изображении
  • извлечение текста с изображения

Ограничения

Карточка не приводит ограничений применимости или количественной оценки качества за пределами результатов бенчмарка MME; результаты на отдельных типах изображений могут различаться.

Для каких профессий подходит5

Разделы каталога профессий, в задачах которых используется эта модель

Все профессии

Также подходит для

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

Description

UForm-Gen2-dpo is a small generative vision-language model alined for Image Captioning and Visual Question Answering on preference datasets VLFeedback and LLaVA-Human-Preference-10K using Direct Preference Optimization (DPO).

The model consists of two parts:

  1. CLIP-like ViT-H/14
  2. Qwen1.5-0.5B-Chat

The model took less than one day to train on a DGX-H100 with 8x H100 GPUs. Thanks to Nebius.ai for providing the compute 🤗

Usage

The generative model can be used to caption images, answer questions about them. Also it is suitable for a multimodal chat.

from transformers import AutoModel, AutoProcessor
model = AutoModel.from_pretrained("unum-cloud/uform-gen2-dpo", trust_remote_code=True)
processor = AutoProcessor.from_pretrained("unum-cloud/uform-gen2-dpo", trust_remote_code=True)
prompt = "Question or Instruction"
image = Image.open("image.jpg")
inputs = processor(text=[prompt], images=[image], return_tensors="pt")
with torch.inference_mode():
     output = model.generate(
        **inputs,
        do_sample=False,
        use_cache=True,
        max_new_tokens=256,
        eos_token_id=151645,
        pad_token_id=processor.tokenizer.pad_token_id
    )
prompt_len = inputs["input_ids"].shape[1]
decoded_text = processor.batch_decode(output[:, prompt_len:])[0]

You can check examples of different prompts in our demo space.

Evaluation

perception reasoning OCR artwork celebrity code_reasoning color commonsense_reasoning count existence landmark numerical_calculation position posters scene text_translation

MME Benchmark

ModelperceptionreasoningOCRartworkcelebritycode_reasoningcolorcommonsense_reasoningcountexistencelandmarknumerical_calculationpositionpostersscenetext_translation
uform-gen2-dpo1,048.75224.6472.5097.2562.6567.50123.3357.14136.67195.00104.0050.0051.6759.18146.5050.00
uform-gen2-qwen-500m863.40236.4357.5093.0067.0657.5078.3381.4353.33150.0098.0050.0050.0062.93153.2547.50

Как запустить

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

GPU в ailist

Универсальный рантайм · transformers

Нельзя запустить

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

Класс архитектуры
VLMForCausalLM
Ревизия весов
2bb78ca

0 моделей