/ Модель

Характеристики

Контекст
4 096 токенов
Размер весов
8,3 ГБ
Архитектура
llava · dense
Опубликована
25 апр 2024

llava-phi-3-mini-hf

Описание изображенийИзображение → текст4 профессии

Мультимодальная модель XTuner на базе Phi-3-mini для ответов на текстовые запросы о содержимом изображений.

572скачиваний за 30 дней53лайкавеса обновлены25 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 «Распознавание текста» — 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

xtuner/llava-phi-3-mini-hf — мультимодальная модель семейства LLaVA, разработанная XTuner и дообученная на базе microsoft/Phi-3-mini-4k-instruct с визуальным энкодером CLIP-ViT-Large-patch14-336. Репозиторий содержит веса в формате LLaVA для Hugging Face Transformers; архитектура — плотная генеративная модель с поддержкой чата и обработки изображений.

Модель предназначена для диалога по изображениям: она принимает изображение и текстовый запрос и формирует текстовый ответ, например, описывает сцену, отвечает на вопросы о содержимом изображения или помогает разбирать визуальные материалы. В README указано дообучение с использованием ShareGPT4V-PT и InternVL-SFT; метаданные также связывают модель с набором ShareGPT4V.

Это компактный вариант на Phi-3-mini, однако доступные сведения не подтверждают размер параметров или контекст итоговой модели. Модель ориентирована на визуальные вопросы и ответы, но качество может различаться между типами изображений и задачами. Лицензия в предоставленных данных не указана.

Сценарии применения

  • ответы на вопросы о содержимом изображения
  • создание кратких описаний изображений
  • описание объектов и сцен на изображении
  • диалог по визуальному материалу
  • извлечение сведений из изображений по запросу

Ограничения

Качество ответов может различаться в зависимости от изображения и формулировки запроса; модель может ошибаться при интерпретации визуальных деталей. Лицензия в предоставленных сведениях не указана.

Для каких профессий подходит4

Разделы каталога профессий, в задачах которых используется эта модель

Все профессии

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

Generic badge

Model

llava-phi-3-mini is a LLaVA model fine-tuned from microsoft/Phi-3-mini-4k-instruct and CLIP-ViT-Large-patch14-336 with ShareGPT4V-PT and InternVL-SFT by XTuner.

Note: This model is in HuggingFace LLaVA format.

Resources:

Details

ModelVisual EncoderProjectorResolutionPretraining StrategyFine-tuning StrategyPretrain DatasetFine-tune DatasetPretrain EpochFine-tune Epoch
LLaVA-v1.5-7BCLIP-LMLP336Frozen LLM, Frozen ViTFull LLM, Frozen ViTLLaVA-PT (558K)LLaVA-Mix (665K)11
LLaVA-Llama-3-8BCLIP-LMLP336Frozen LLM, Frozen ViTFull LLM, LoRA ViTLLaVA-PT (558K)LLaVA-Mix (665K)11
LLaVA-Llama-3-8B-v1.1CLIP-LMLP336Frozen LLM, Frozen ViTFull LLM, LoRA ViTShareGPT4V-PT (1246K)InternVL-SFT (1268K)11
LLaVA-Phi-3-miniCLIP-LMLP336Frozen LLM, Frozen ViTFull LLM, Full ViTShareGPT4V-PT (1246K)InternVL-SFT (1268K)12

Results

ModelMMBench Test (EN)MMMU ValSEED-IMGAI2D TestScienceQA TestHallusionBench aAccPOPEGQATextVQAMMEMMStar
LLaVA-v1.5-7B66.535.360.554.870.444.985.962.058.21511/34830.3
LLaVA-Llama-3-8B68.936.869.860.973.347.387.263.558.01506/29538.2
LLaVA-Llama-3-8B-v1.172.337.170.170.072.947.786.462.659.01469/34945.1
LLaVA-Phi-3-mini69.241.470.069.373.749.887.361.557.81477/31343.7

Quickstart

Chat by pipeline

from transformers import pipeline
from PIL import Image    
import requests

model_id = "xtuner/llava-phi-3-mini-hf"
pipe = pipeline("image-to-text", model=model_id, device=0)
url = "https://huggingface.co/datasets/huggingface/documentation-images/resolve/main/transformers/tasks/ai2d-demo.jpg"

image = Image.open(requests.get(url, stream=True).raw)
prompt = "<|user|>\n<image>\nWhat does the label 15 represent? (1) lava (2) core (3) tunnel (4) ash cloud<|end|>\n<|assistant|>\n"

outputs = pipe(image, prompt=prompt, generate_kwargs={"max_new_tokens": 200})
print(outputs)
>>> [{'generated_text': '\nWhat does the label 15 represent? (1) lava (2) core (3) tunnel (4) ash cloud (1) lava'}]

Chat by pure transformers

import requests
from PIL import Image

import torch
from transformers import AutoProcessor, LlavaForConditionalGeneration

model_id = "xtuner/llava-phi-3-mini-hf"

prompt = "<|user|>\n<image>\nWhat are these?<|end|>\n<|assistant|>\n"
image_file = "http://images.cocodataset.org/val2017/000000039769.jpg"

model = LlavaForConditionalGeneration.from_pretrained(
    model_id, 
    torch_dtype=torch.float16, 
    low_cpu_mem_usage=True, 
).to(0)

processor = AutoProcessor.from_pretrained(model_id)


raw_image = Image.open(requests.get(image_file, stream=True).raw)
inputs = processor(prompt, raw_image, return_tensors='pt').to(0, torch.float16)

output = model.generate(**inputs, max_new_tokens=200, do_sample=False)
print(processor.decode(output[0][2:], skip_special_tokens=True))
>>> What are these? These are two cats sleeping on a pink couch.

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

Можно запустить

Подбираем GPU…

Класс архитектуры
LlavaForConditionalGeneration
Ревизия весов
218fa56

0 моделей