/ Модель

Характеристики

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

uform-gen2-qwen-500m

Генерация текстаТекст → текст3 профессии

Компактная мультимодальная модель Unum Cloud для описания изображений, ответов на вопросы о них и визуального диалога.

1 629скачиваний за 30 дней87лайковвеса 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-Qwen-500m — компактная генеративная модель компьютерного зрения и языка от Unum Cloud. Она объединяет визуальный энкодер ViT-H/14 на основе CLIP и языковую модель Qwen1.5-0.5B-Chat; размер языковой части — 0,5 млрд параметров. Модель принимает изображение и текстовый запрос, а в ответ генерирует текст.

Модель предназначена прежде всего для создания подписей к изображениям, ответов на вопросы о визуальном содержимом и мультимодального диалога. Она предварительно обучалась на внутреннем наборе данных для описания изображений и дообучалась на наборах инструкций SVIT, LVIS и VQA. В карточке приведены сравнительные результаты на SQA, MME и MMBench; эти оценки относятся к указанным тестам и не гарантируют качество для конкретных данных.

Репозиторий содержит веса в формате Safetensors и предназначен для использования с Transformers. Модель опубликована по лицензии Apache-2.0. Карточка описывает англоязычную настройку; качество на других языках не подтверждено.

Сценарии применения

  • создание текстовых подписей к изображениям
  • ответы на вопросы о содержимом фотографии
  • мультимодальный чат с изображениями
  • краткое описание визуальных сцен

Ограничения

Модель компактна, а приведённые оценки ниже показателей нескольких более крупных моделей в сравнительной таблице README; результаты на языках помимо английского не подтверждены.

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

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

The model was pre-trained on the internal image captioning dataset and fine-tuned on public instructions datasets: SVIT, LVIS, VQAs datasets. The model took 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-qwen-500m", trust_remote_code=True)
processor = AutoProcessor.from_pretrained("unum-cloud/uform-gen2-qwen-500m", 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

ModelLLM SizeSQAMMEMMBenchAverage¹
UForm-Gen2-Qwen-500m0.5B45.5880.142.029.31
MobileVLM v21.4B52.11302.857.736.81
LLaVA-Phi2.7B68.41335.159.842.95

¹MME scores were divided by 2000 before averaging.

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
78dc2e4

0 моделей