/ Модель

Характеристики

Контекст
4 096 токенов
Параметры
6,6 млрд
Размер весов
13,2 ГБ
Лицензия
Apache 2.0
Архитектура
llama · dense
Базовая модель
vicuna-7b-v1.5-16k
Опубликована
24 сен 2024

AuroraCap-7B-VID-xtuner

Генерация текстаТекст → текст5 профессий

Мультимодальная модель на базе Vicuna для создания текстовых описаний изображений и видео.

50скачиваний за 30 дней6лайковвеса обновлены7 окт 2024

Бенчмарки

Как модель справилась с задачами пользователей ailist и что о ней публикуют открытые лидерборды

Тесты пользователейпока нет

Никто ещё не опубликовал тест этой модели. Соберите бенчмарк из своих задач — результат появится здесь.

  1. Добавьте модель в бенчмарк

    Вместе с другими моделями категории «Текст» — сравнение идёт внутри одной категории.

  2. Опишите свои задачи

    Напишите запросы, при необходимости приложите файлы и эталонные ответы.

  3. Запустите и опубликуйте

    Модели ответят на каждую задачу, судья оценит ответы. Опубликованный результат появится на этой странице.

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

AuroraCap-7B-VID-xtuner — мультимодальная модель для создания подписей к изображениям и видео. Это вариант AuroraCap в формате Xtuner, разработанный для инференса и дальнейшего обучения; в карточке указаны ссылки на статью, код и обучающий набор AuroraCap-trainset.

Модель основана на Vicuna 7B v1.5 16K с архитектурой Llama и содержит 6,6 млрд параметров. Она принимает визуальные данные и формирует текстовые описания; заявленный контекст составляет 4096 токенов. В метаданных основной задачей автора указана генерация текста, однако назначение модели и тег video-text-to-text указывают на описание видео.

Модель распространяется под лицензией Apache-2.0. README отмечает, что формат Xtuner подходит для инференса и продолжения обучения; заявлена также возможность ускорять обучение с помощью объединения токенов при сохранении близкого качества. Подробности о поддерживаемых языках и ограничениях качества не приведены.

Сценарии применения

  • создание подписей к видео
  • краткое текстовое описание видеоролика
  • генерация подписей к изображениям
  • подготовка описаний визуального контента для каталогов

Ограничения

README не сообщает о поддерживаемых языках и конкретных ограничениях качества. Заявленный контекст модели — 4096 токенов.

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

Resources

Features

AuroraCap is a multimodal large language model for image and video captioning.

Quick Start

See Docs.

FAQ

Q: Can I only use token merging during inference?

A: No, our experiments show that token merging is also a way to accelerate training while maintaining similar performance. Additionally, besides auroracap, you can also use token merging on other llava-like models.

Q: Why do we provide both official LLaVA-format and Xtuner format weights for AuroraCap?

A: While Xtuner supports saving checkpoints in multiple formats, it currently only allows continued training with the Xtuner format. Therefore, we currently provide the model in the Xtuner format for both continued training and inference. In the future, we will provide the model in the official LLaVA format for both training and inference, enabling quicker SGLang deployment and integration with the transformers.

Citation

@article{chai2024auroracap,
  title={AuroraCap: Efficient, Performant Video Detailed Captioning and a New Benchmark },
  author={Wenhao Chai, Enxin Song, Yilun Du, Chenlin Meng, Vashisht Madhavan, Omer Bar-Tal, Jeng-Neng Hwang, Saining Xie, Christopher D. Manning},
  journal={arXiv preprint arXiv:2410.03051},
  year={2024}
}

Как запустить

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

GPU в ailist

Универсальный рантайм

Можно запустить

Подбираем GPU…

Класс архитектуры
LlamaForCausalLM
Ревизия весов
262910b

0 моделей