/ Модель

Характеристики

Контекст
2 048 токенов
Размер весов
6,4 ГБ
Лицензия
MIT
Архитектура
mc-llava · dense
Библиотека
transformers
Опубликована
30 дек 2023

MC-LLaVA-3b

Генерация текстаТекст → текст7 профессий

MC-LLaVA-3b анализирует изображения по текстовому запросу и генерирует ответы, в том числе для визуальных вопросов и распознавания текста.

222скачиваний за 30 дней86лайковвеса обновлены28 фев 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

MC-LLaVA-3b — мультимодальная модель семейства LLaVA, опубликованная visheratin. Она принимает изображение вместе с текстовым запросом и генерирует текстовый ответ, например, отвечает на вопросы о содержимом изображения. В карточке приведены результаты на TextVQA, GQA, VQAv2, VizWiz и задачах V*-bench, включая распознавание текста и определение пространственных отношений.

Модель загружается через Transformers и AutoProcessor; для обработки изображения процессор поддерживает разбиение на кропы. По README, подход MC-LLaVA отличается от обычного для LLaVA представления изображения последовательностью из фиксированного числа токенов. Репозиторий содержит веса Safetensors, а лицензия указана как MIT. README отдельно просит учитывать условия OpenAI и Google Gemini из-за использования синтетических обучающих данных.

Сценарии применения

  • ответы на вопросы о содержимом изображений
  • извлечение текста с изображений
  • определение объектов и атрибутов на изображении
  • анализ пространственных отношений между объектами
  • описание изображений по текстовому запросу

Ограничения

В README приведены бенчмарк-результаты, но они не гарантируют качество на произвольных изображениях; особенно ограничен результат на VizWiz. Для использования требуется совместимый мультимодальный процессор и передача изображения вместе с запросом.

Для каких профессий подходит7

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

Multi-crop LLaVA-3b

Model details

Usually, in LLaVA models, we generate N embeddings for the image, which we then combine with text embeddings and send to the LLM. But what if instead of creating N tokens for one image, we create K<<N tokens for M<N parts of the image (crops)? It would allow us to get visual information from small parts of the image and not inflate the number of image "tokens" too much. I called this method multi-crop LLaVA (MC-LLaVA).

You can read more about the model in the blog post.

MC-LLaVA-3b was fine-tuned from Phi-2 merge using vision tower from SigLIP 400M.

As Dolphin 2.6 Phi, LLaVA-3b uses ChatML prompt format:

<|im_start|>user
{prompt}<|im_end|>
<|im_start|>assistant

How to use

from transformers import AutoModel, AutoProcessor
import torch

model = AutoModel.from_pretrained("visheratin/MC-LLaVA-3b", torch_dtype=torch.float16, trust_remote_code=True).to("cuda")

processor = AutoProcessor.from_pretrained("visheratin/MC-LLaVA-3b", trust_remote_code=True)

with torch.inference_mode():
    inputs = processor(prompt, [raw_image], model, max_crops=100, num_tokens=728)
    output = model.generate(**inputs, max_new_tokens=200, use_cache=True, do_sample=False,
        eos_token_id=processor.tokenizer.eos_token_id, pad_token_id=processor.tokenizer.eos_token_id)

result = processor.tokenizer.decode(output[0]).replace(prompt, "").replace("<|im_end|>", "")
print(result)

Benchmarks

  • TextVQA - 50.9%
  • GQA - 59.5%
  • VQAv2 - 76.72%
  • VizWiz - 32.68%
  • V*-bench - OCR - 56.66%, GPT4V-hard - 52.94%, direct attributes - 40.86%, relative position - 56.57%

Examples

License

The model is licensed under MIT license, but since the data used for model training is largely synthetic, you should also follow OpenAI and Google Gemini terms of service. Which means don't create competitor models for them.

Acknowledgments

Thanks to Lambda for providing a machine to train the model.

Thanks to ML Collective for continuous support and providing compute resources for testing the model.

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.

Ревизия весов
06bc212

0 моделей