/ Модель

Характеристики

Контекст
8 192 токена
Параметры
7,5 млрд
Размер весов
16,1 ГБ
Архитектура
llama · dense
Библиотека
xtuner
Опубликована
22 апр 2024

llava-llama-3-8b-v1_1

Генерация текстаТекст → текст5 профессий

Мультимодальная модель XTuner на базе Llama 3 для диалога и ответов на вопросы по изображениям.

36скачиваний за 30 дней120лайковвеса обновлены28 апр 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

LLaVA-Llama-3-8B-v1.1 — разработанная XTuner мультимодальная модель для диалога по изображениям. Она дообучена на основе meta-llama/Meta-Llama-3-8B-Instruct с визуальным энкодером CLIP-ViT-Large-patch14-336; использует проектор MLP и обучалась на ShareGPT4V-PT и InternVL-SFT. Модель содержит 7,5 млрд параметров, принимает изображения и текстовые запросы и генерирует текстовые ответы. Контекст составляет 8192 токена.

Модель предназначена для описания изображений, ответов на вопросы о визуальном содержимом и диалоговых сценариев, сочетающих текст и изображение. В README приведены результаты на наборах оценки визуально-языковых моделей, включая MMBench, AI2D, TextVQA и MMMU. Репозиторий содержит веса в формате safetensors и использует формат XTuner LLaVA. Условия лицензии в предоставленных материалах не описаны.

Сценарии применения

  • ответы на вопросы о содержимом изображения
  • описание фотографий и иллюстраций
  • разбор диаграмм и учебных изображений
  • диалог по изображению с текстовыми уточнениями

Ограничения

Модель предназначена для работы с изображениями разрешением 336 пикселей; качество может зависеть от типа изображения и формулировки запроса. Лицензия и ограничения на использование в предоставленных материалах не указаны.

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

Generic badge

Model

llava-llama-3-8b-v1_1 is a LLaVA model fine-tuned from meta-llama/Meta-Llama-3-8B-Instruct and CLIP-ViT-Large-patch14-336 with ShareGPT4V-PT and InternVL-SFT by XTuner.

Note: This model is in XTuner LLaVA format.

Resources:

Details

ModelVisual EncoderProjectorResolutionPretraining StrategyFine-tuning StrategyPretrain DatasetFine-tune Dataset
LLaVA-v1.5-7BCLIP-LMLP336Frozen LLM, Frozen ViTFull LLM, Frozen ViTLLaVA-PT (558K)LLaVA-Mix (665K)
LLaVA-Llama-3-8BCLIP-LMLP336Frozen LLM, Frozen ViTFull LLM, LoRA ViTLLaVA-PT (558K)LLaVA-Mix (665K)
LLaVA-Llama-3-8B-v1.1CLIP-LMLP336Frozen LLM, Frozen ViTFull LLM, LoRA ViTShareGPT4V-PT (1246K)InternVL-SFT (1268K)

Results

ModelMMBench Test (EN)MMBench Test (CN)CCBench DevMMMU ValSEED-IMGAI2D TestScienceQA TestHallusionBench aAccPOPEGQATextVQAMMEMMStar
LLaVA-v1.5-7B66.559.027.535.360.554.870.444.985.962.058.21511/34830.3
LLaVA-Llama-3-8B68.961.630.436.869.860.973.347.387.263.558.01506/29538.2
LLaVA-Llama-3-8B-v1.172.366.431.636.870.170.072.947.786.462.659.01469/34945.1

Quickstart

Installation

pip install 'git+https://github.com/InternLM/xtuner.git#egg=xtuner[deepspeed]'

Chat

xtuner chat xtuner/llava-llama-3-8b-v1_1 \
  --visual-encoder openai/clip-vit-large-patch14-336 \
  --llava xtuner/llava-llama-3-8b-v1_1 \
  --prompt-template llama3_chat \
  --image $IMAGE_PATH

MMBench Evaluation

XTuner integrates the MMBench evaluation, and you can perform evaluations with the following command!

xtuner mmbench xtuner/llava-llama-3-8b-v1_1 \
  --visual-encoder openai/clip-vit-large-patch14-336 \
  --llava xtuner/llava-llama-3-8b-v1_1 \
  --prompt-template llama3_chat \
  --data-path $MMBENCH_DATA_PATH \
  --work-dir $RESULT_PATH

After the evaluation is completed, if it's a development set, it will directly print out the results; If it's a test set, you need to submit mmbench_result.xlsx to the official MMBench for final evaluation to obtain precision results!

Reproduce

Please refer to docs.

Citation

@misc{2023xtuner,
    title={XTuner: A Toolkit for Efficiently Fine-tuning LLM},
    author={XTuner Contributors},
    howpublished = {\url{https://github.com/InternLM/xtuner}},
    year={2023}
}

Как запустить

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

GPU в ailist

Универсальный рантайм · xtuner

Можно запустить

Подбираем GPU…

Класс архитектуры
LlamaForCausalLM
Ревизия весов
7e92889

0 моделей