/ 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_patch

Генерация текстаТекст → текст

Мультимодальная модель на базе Vicuna-13B-v1.5 с маршрутизацией слоёв MoL для визуальных вопросов и ответов и экспериментов с маршрутизацией.

17скачиваний 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

wjdghks950/vicuna_clip_patch — исследовательская мультимодальная модель на архитектуре LLaVA/Llama с маршрутизацией слоёв Mixture of Layers (MoL): механизм patch_layer выбирает маршрут с k=1, используя CLIP. В основе — дообученная Vicuna-13B-v1.5; размер языковой модели составляет 12,9 млрд параметров, контекст — 4096 токенов. Модель предназначена для визуальных вопросов и ответов, а также экспериментов с маршрутизацией слоёв.

Для работы необходима пользовательская реализация MoL и внешние зависимости — визуальные энкодеры и базовая языковая модель. Обычная загрузка через AutoModelForCausalLM или только PEFT недостаточна. В README указано, что веса выбранного чекпойнта сохранены без слияния, повторного обучения, квантизации или изменения значений тензоров; конфигурация маршрутизации и шаблон диалога приведены в inference_config.json. Пакет подготовлен из рабочего checkout и не проверялся как самостоятельная модель на Hugging Face; полный инференс при упаковке не запускался. Новая лицензия не назначена, права и условия использования upstream-моделей нужно проверять отдельно.

Сценарии применения

  • ответы на вопросы по изображениям
  • эксперименты с маршрутизацией слоёв языковой модели
  • оценка визуальных вопросов на наборах VQA
  • исследование мультимодальных моделей LLaVA

Ограничения

Для запуска нужны пользовательская реализация MoL, визуальные энкодеры и базовая языковая модель; стандартной загрузки Transformers недостаточно. Полный инференс не проверялся, а лицензия этой упаковкой не предоставлена.

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

vicuna_clip_patch

Mixture of Layers (MoL): patch_layer 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-patchlayer-router_learnable-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
5f67469

0 моделей