Дообученная модель Flan-T5-XL для сопоставления изображений с текстом и оценки соответствия описаний изображениям.
Как модель справилась с задачами пользователей ailist и что о ней публикуют открытые лидерборды
Никто ещё не опубликовал тест этой модели. Соберите бенчмарк из своих задач — результат появится здесь.
Вместе с другими моделями категории «Текст» — сравнение идёт внутри одной категории.
Напишите запросы, при необходимости приложите файлы и эталонные ответы.
Модели ответят на каждую задачу, судья оценит ответы. Опубликованный результат появится на этой странице.
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.
Описание составлено по карточке модели и метаданным Hugging Face
CLIP-FlanT5-XL (VQAScore) — дообученная Zhiqiu Lin и соавторами генеративная модель «зрение—язык» на основе Google Flan-T5-XL. Она предназначена для задач сопоставления изображений и текста и оценки соответствия изображения текстовому описанию в сценариях поиска и ранжирования.
Модель использует архитектуру T5 и содержит 1,5 млрд параметров. Она принимает текстовые инструкции; в задачах VQAScore также использует изображения и формирует текстовый ответ или оценку соответствия. Указанный в метаданных контекст — 512 токенов, основной язык карточки — английский. Лицензия — Apache-2.0.
README и метаданные не описывают точность на бенчмарках или ограничения применения. Контекст модели ограничен 512 токенами; язык карточки указан как английский.
Разделы каталога профессий, в задачах которых используется эта модель
README от автора на Hugging Face, как он его опубликовал
This model is a fine-tuned version of google/flan-t5-xl designed for image-text retrieval tasks, as presented in the VQAScore paper.
На своей GPU в ailist. Цена — по текущим предложениям провайдеров
GPU в ailist
Универсальный рантайм
Подбираем GPU…