/ Модель

Характеристики

Контекст
4 096 токенов
Параметры
12,9 млрд
Размер весов
27 ГБ
Архитектура
llava_llama · dense
Базовая модель
vicuna-13b-v1.5
Библиотека
transformers
Опубликована
7 окт 2026

vicuna_clip_hybrid

Генерация текстаТекст → текст

Экспериментальная мультимодальная модель на базе Vicuna-13B с маршрутизацией MoL предназначена для ответов на вопросы по изображениям.

27скачиваний за 30 дней0лайковвеса обновлены7 окт 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

vicunacliphybrid — экспериментальная мультимодальная модель для визуальных вопросов и ответов, опубликованная пользователем wjdghks950. Она использует архитектуру LLaVA на базе Llama и механизм Mixture of Layers (MoL) с маршрутизацией k=1 и CLIP; размер языковой модели составляет 12,9 млрд параметров, контекст — 4096 токенов. Модель дообучена на базе lmsys/vicuna-13b-v1.5 и принимает изображения и текстовые вопросы, формируя текстовые ответы.

Модель предназначена для исследований визуального вопросно-ответного взаимодействия и маршрутизации между слоями. В README перечислены скрипты оценки на наборах VStar, MMStar, HRBench, RealWorldQA, NaturalBench и CharXiv, однако опубликованные оценки могут быть архивными и не воспроизведены при выпуске этой копии. Для загрузки необходима специальная реализация MoL; универсальный AutoModelForCausalLM и одна лишь загрузка через PEFT не подходят. При упаковке веса не менялись, а полноценный инференс не проверялся. Новая лицензия не назначена: применяются условия upstream-моделей, в том числе базовой Vicuna и зависимостей энкодера.

Сценарии применения

  • ответы на вопросы по изображениям
  • исследование визуального вопросно-ответного взаимодействия
  • оценка визуальных языковых моделей на бенчмарках
  • эксперименты с маршрутизацией слоёв нейросети

Ограничения

Полноценный инференс этой упаковки не проверялся, а приведённые оценки могут быть архивными. Для работы нужны специальная реализация MoL и внешние зависимости; новая лицензия не назначена, поэтому необходимо соблюдать условия upstream-моделей.

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

vicuna_clip_hybrid

Mixture of Layers (MoL): hybrid routing with k=1 and clip.

This release preserves the selected checkpoint weights without merging, retraining, quantizing, or changing their tensor values. See inference_config.json for the routing settings, base model, and conversation template.

Contents and loading

This contains the full sharded language-model checkpoint, MoL weights, and tokenizer. The vision/text encoder dependencies are constructed by MoL.

Use the custom MoL model implementation from https://github.com/SStoica12/MoL. These files are in the repository's original checkpoint format; generic AutoModelForCausalLM or PEFT-only loading is insufficient for multimodal routing. Download the repository snapshot to a local directory before using the MoL loader. Model source version at packaging: 398a93bd9e77a67cdd786d6d1ef9451b59ac8845 on layerwise_coeff; the release manifest identifies this as a working checkout, not a tested standalone Hub model. For Phi, the runtime must support the Phi model class as well as the SigLIP router.

Associated evaluation scripts live under scripts/v1_5/eval in the MoL checkout: vstar.sh, mmstar.sh, hrbench8k.sh, hrbench4k.sh, realworldqa.sh, naturalbench.sh, and charxiv.sh. Select this local package explicitly rather than relying on the scripts' historical default checkpoint arrays. Use the adapter base model and routing settings recorded in inference_config.json.

Evaluation and provenance

Original experiment directory: llava-v1.5-13b-moe-finetune_text-cond-attn-hybrid-router_disagreement-gate_lr1e-5-pretrain_lr2e-5-finetune. evaluation_evidence.json contains the recovered scores for this selected run. Some evidence is archival; these are not newly reproduced scores. A paper row may combine multiple checkpoints, so it must not be used as this model's scorecard.

source_config.json preserves the original configuration; release_manifest.json records the source, metadata-only configuration additions and file hashes. Training logs, optimizer states, and intermediate checkpoint directories are omitted. SHA256 copy verification and safetensors structure/index checks were performed; full model inference was not run as part of packaging.

Usage and dependencies

Intended for research on visual question answering and layer routing. Vision encoders and, for adapters, the base language model are external dependencies. The release does not grant new rights to the upstream models; consult their model cards and applicable terms. No new license is assigned by this packaging step.

Model card format: https://huggingface.co/docs/hub/model-cards

Как запустить

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

GPU в ailist

Универсальный рантайм · transformers

Нельзя запустить

Архитектура llava_llama неизвестна transformers в образе рантайма.

Класс архитектуры
RouterLlavaLlamaForCausalLM
Ревизия весов
8de565c

0 моделей