/ Модель

Характеристики

Контекст
8 192 токена
Параметры
7,5 млрд
Размер весов
16,7 ГБ
Лицензия
MIT
Архитектура
llava_llama · dense
Опубликована
31 окт 2024

Turkish-LLaVA-v0.1

Генерация текстаТекст → текст3 профессии

Турецкая мультимодальная модель LLaVA-Llama для ответов на визуальные вопросы, следования инструкциям по изображению и OCR.

82скачиваний за 30 дней12лайковвеса обновлены3 дек 2024

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

Turkish-LLaVA-v0.1, разработанная командой ytu-ce-cosmos, — мультимодальная модель на архитектуре LLaVA-Llama для выполнения визуальных инструкций на турецком языке. Она принимает изображения и текстовые запросы и формирует текстовые ответы; подходит для диалога по изображению, визуальных вопросов и распознавания текста на обложках книг.

Модель основана на Turkish-Llama-8b-Instruct-v0.1 и содержит около 7,5 млрд параметров. Для предварительного обучения использовался переведённый на турецкий язык набор LLaVA-CC3M-Pretrain-595K, а дообучение включало подмножества Stanford GQA, VisualGenome и COCO, а также многоходовые инструкции по обложкам книг. Архитектура — плотная LLaVA-Llama; контекст составляет 8192 токена. Репозиторий предоставляет веса в формате safetensors.

Модель рассчитана прежде всего на турецкие запросы и визуальное понимание, включая OCR на обложках книг. Карточка не приводит количественных оценок качества, поэтому результаты на иных языках и типах изображений могут отличаться. Лицензия — MIT.

Сценарии применения

  • ответы на вопросы о содержимом изображения на турецком языке
  • описание изображений по турецкому запросу
  • распознавание текста на обложках книг
  • многоходовой диалог о визуальном содержимом
  • визуальные вопросы и ответы по сценам и объектам

Ограничения

Модель обучалась преимущественно на турецкоязычных данных и инструкции; качество на других языках и вне описанных визуальных сценариев не подтверждено. В карточке нет количественных оценок качества.

Для каких профессий подходит3

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

Llava-CosmosLlama

This is a Turkish visual language model designed for multi-modal visual instruction-following tasks. It utilizes the LLaVA (Large Language and Vision Assistant) architecture, integrating the ytucosmos/Turkish-Llama-8b-Instruct-v0.1 language model. The model is capable of processing both visual (image) and textual inputs, allowing it to understand and execute instructions provided in Turkish.

Model Details

The model was pretrained on LLaVA-CC3M-Pretrain-595K dataset, which was translated to Turkish using DeepL Translate. It was further fine-tuned using subsets the following datasets to enhance its visual reasoning and understanding capabilities:

  • Stanford GQA
  • VisualGenome
  • COCO
  • 110K multi-turn instruction following data consisting of book covers, to enhance models capabilities on tasks regarding OCR.

Example Usage

Using lmdeploy

  1. Install requirements:
conda create -n lmdeploy python=3.8 -y
conda activate lmdeploy
pip install lmdeploy
  1. Run the following code:
from lmdeploy import pipeline, ChatTemplateConfig
from lmdeploy.vl import load_image

pipe = pipeline("ytu-ce-cosmos/Turkish-LLaVA-v0.1",
                chat_template_config=ChatTemplateConfig(model_name='llama3'))

url = "https://huggingface.co/datasets/huggingface/documentation-images/resolve/main/transformers/tasks/idefics-im-captioning.jpg"
image = load_image(url)

response = pipe(('Bu resimde öne çıkan ögeler nelerdir?', image))

print(response)

"""
Resimde, çiçeklerle dolu bir bahçede yavru bir köpek ve arka planda bir ağaç yer alıyor.
Köpek, çiçeklerin arasında otururken ve etrafını saran çiçeklerin arasından bakarken görülebiliyor.
Bu sahne, köpeğin bahçede geçirdiği zamanın tadını çıkardığı ve çevresini keşfettiği sakin ve huzurlu bir atmosferi yansıtıyor.
"""

Image used in this example:

Acknowledgments

  • Computing resources used in this work were provided by the National Center for High Performance Computing of Turkey (UHeM).
  • Thanks to the generous support from the Hugging Face team, it is possible to download models from their S3 storage 🤗

Citation

@inproceedings{zeer2024cosmos,
  title={Cosmos-LLaVA: Chatting with the Visual},
  author={Zeer, Ahmed and Dogan, Eren and Erdem, Yusuf and {\.I}nce, Elif and Shbib, Osama and Uzun, M Egemen and Uz, Atahan and Yuce, M Kaan and Kesgin, H Toprak and Amasyali, M Fatih},
  booktitle={2024 8th International Artificial Intelligence and Data Processing Symposium (IDAP)},
  pages={1--7},
  year={2024},
  organization={IEEE}
}

Contact

COSMOS AI Research Group, Yildiz Technical University Computer Engineering Department https://cosmos.yildiz.edu.tr/ cosmos@yildiz.edu.tr

Как запустить

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

GPU в ailist

Универсальный рантайм

Нельзя запустить

Архитектура llava_llama неизвестна transformers в образе рантайма.

Класс архитектуры
LlavaLlamaForCausalLM
Ревизия весов
befcb57

0 моделей