/ Модель

Характеристики

Контекст
131 072 токена
Параметры
7,5 млрд
Размер весов
17,6 ГБ
Лицензия
Llama 3.1
Архитектура
llava_llama · dense
Базовая модель
Llama-3.1-8B-Instruct
Опубликована
14 июл 2026

MoDA-LLaVA-MoRE-8B-CLIP

Генерация текстаТекст → текст

Мультимодальная LLaVA-модель с адаптером MoDA для диалогов и точных ответов на вопросы о содержимом изображений.

16скачиваний за 30 дней0лайковвеса обновлены14 июл 2026

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

MoDA-LLaVA-MoRE-8B-CLIP — мультимодальная модель для диалогов и ответов на вопросы об изображениях, разработанная waybarrios как официальный чекпойнт к исследованию MoDA. Она сочетает LLaVA-MoRE с адаптером MoDA, который использует текстовую инструкцию для поканальной модуляции визуальных признаков и улучшает точность визуальной привязки к деталям. В основе — Llama-3.1-8B-Instruct с 7,5 млрд параметров и визуальный энкодер CLIP ViT-L/14-336; нативный контекст составляет 131072 токена.

Модель предназначена для визуально ориентированных диалогов, распознавания деталей на изображениях и ответов на вопросы по их содержанию. В README сообщаются улучшения на бенчмарках POPE, GQA и ScienceQA относительно базовой LLaVA-MoRE. Для запуска требуется кодовая база LLaVA-MoRE с MoDA, модель не рассчитана на использование через стандартный vanilla Transformers. Лицензия — llama3.1; в метаданных указан английский язык.

Сценарии применения

  • ответы на вопросы о содержимом изображения
  • поиск и описание мелких деталей на изображении
  • визуально ориентированный диалог по изображению
  • ответы на научные вопросы с опорой на изображение

Ограничения

Для запуска требуется кодовая база LLaVA-MoRE с MoDA; vanilla Transformers не поддерживается. В README приведены результаты лишь по отдельным бенчмаркам, а не полный набор оценок.

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

MoDA — LLaVA-MoRE 8B (CLIP ViT-L/14-336)

Official checkpoint for "MoDA: Modulation Adapter for Fine-Grained Visual Understanding in Instructional MLLMs" (ICML 2026).

📄 Paper: hf.co/papers/2506.01850 · arXiv:2506.01850 💻 Code: github.com/waybarrios/MoDA 🌐 Project page: waybarrios.com/MoDA

MoDA (Modulation Adapter) is a lightweight module that improves fine-grained visual grounding in Multimodal LLMs through instruction-guided, channel-wise modulation of pre-aligned visual features. A stack of cross-attention layers conditions on the language instruction and produces a soft channel-wise mask (via sigmoid) that is applied multiplicatively (Hadamard product) to the aligned visual features before they reach the LLM:

Ṽ_aligned = V_aligned ⊙ σ(W · F(T, V_aligned))

MoDA adds only <1% FLOPs and 3.7% parameters, requires no extra data or supervision, and plugs into the standard two-stage LLaVA instruction-tuning pipeline.

This is the CLIP variant of LLaVA-MoRE 8B + MoDA. See MoDA-LLaVA-MoRE-8B-SigLIP-S2 for the SigLIP-S2 variant.

Model details

ArchitectureLLaVA-MoRE (LlavaLlamaForCausalLM) + MoDA adapter (2 cross-attention decoder layers, 16 heads — paper config)
LLM backbonemeta-llama/Llama-3.1-8B-Instruct
Vision encoderopenai/clip-vit-large-patch14-336
Projector2-layer MLP (GELU)
Training dataLLaVA v1.5 instruction-tuning mix (665K)
Training recipeTwo-stage LLaVA protocol: (1) projector pretraining; (2) MoDA + LLM joint fine-tuning
Precisionbfloat16

Results

Selected results for this checkpoint (LLaVA-MoRE CLIP backbone; see the paper for the full 12-benchmark evaluation):

BenchmarkBaseline+ MoDA
POPE85.186.3
GQA63.664.4
ScienceQA76.377.8
LLaVA-Wild71.273.9
RealWorldQA57.158.0
MMVP27.328.7
V*Bench42.844.0

Gains are strongest on fine-grained, vision-centric, and hallucination tasks.

Usage

This checkpoint uses the LLaVA-MoRE + MoDA codebase (not vanilla transformers):

git clone https://github.com/waybarrios/MoDA.git
cd MoDA/llava-more
pip install -r requirements.txt
from llava.model.builder import load_pretrained_model
from llava.mm_utils import get_model_name_from_path

model_path = "waybarrios/MoDA-LLaVA-MoRE-8B-CLIP"
tokenizer, model, image_processor, context_len = load_pretrained_model(
    model_path=model_path,
    model_base=None,
    model_name=get_model_name_from_path(model_path),
)

See the repository README for training instructions.

Evaluation

We evaluate with lmms-eval, which provides standardized implementations of all benchmarks reported in the paper (GQA, ScienceQA, POPE, MMBench, RealWorldQA, and more).

Citation

@inproceedings{barrios2026moda,
  title     = {MoDA: Modulation Adapter for Fine-Grained Visual Understanding in Instructional MLLMs},
  author    = {Barrios, Wayner and Villa, Andr\'es and Leon Alcazar, Juan C. and Jin, SouYoung and Ghanem, Bernard},
  booktitle = {Proceedings of the International Conference on Machine Learning (ICML)},
  year      = {2026}
}

License

The MoDA code is released under the MIT License. This checkpoint is a derivative of Llama 3.1 and is distributed under the Llama 3.1 Community License.

Acknowledgments

Built on LLaVA and aimagelab/LLaVA-MORE. Supported by startup funds from Dartmouth College and by KAUST — Center of Excellence for Generative AI (award 5940).

Как запустить

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

GPU в ailist

Универсальный рантайм

Нельзя запустить

Архитектура llava_llama неизвестна transformers в образе рантайма.

Класс архитектуры
LlavaLlamaForCausalLM
Ревизия весов
5456c51

0 моделей