/ Модель

Характеристики

Контекст
4 096 токенов
Параметры
12,9 млрд
Размер весов
26,7 ГБ
Архитектура
llava_llama · dense
Опубликована
28 мар 2024

som-llava-v1.5-13b

Генерация текстаТекст → текст4 профессии

Дообученная версия LLaVA-v1.5 на 13 млрд параметров для ответов на вопросы об изображениях и распознавания объектов по SoM-тегам.

15скачиваний за 30 дней5лайковвеса обновлены5 июн 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

SoM-LLaVA-v1.5-13B — мультимодальная модель на базе LLaVA-v1.5, дообученная на данных в стиле SoM с вопросами и перечислением объектов. Карточка не называет разработчика отдельно; она описывает модель как вариант LLaVA-v1.5. В метаданных указана архитектура LlavaLlamaForCausalLM, около 12,9 млрд параметров и контекст 4096 токенов.

Модель предназначена для ответов на вопросы об изображениях, включая визуальные подсказки в виде тегов с идентификаторами объектов, например запросы об объекте с заданным номером. По README, улучшены результаты на визуально-языковых бенчмарках POPE, MME, SEED, MM-Vet и LLaVA-Wild, в том числе для изображений без тегов. Для обучения и оценки рекомендуется официальный репозиторий LLaVA. Вход включает текст и изображения, выход — текст.

Файлы опубликованы в формате Safetensors. Лицензия в предоставленных данных не указана, поэтому условия распространения и использования по ним определить нельзя. README не приводит конкретных численных результатов бенчмарков или ограничений точности.

Сценарии применения

  • ответы на вопросы о содержимом изображения
  • определение объекта по номеру визуального тега
  • составление списка объектов на изображении
  • описание и анализ изображений без тегов

Ограничения

В предоставленных данных не указаны лицензия и количественные результаты бенчмарков. Для обучения и оценки карточка рекомендует официальный репозиторий LLaVA.

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

SoM-LLaVA Model Card

LLaVA-v1.5 mixed trained with SoM style data (QA+listing).

The model can understand tag-style visual prompts on the image (e.g., what is the object tagged with id 9?), also gained improved performance on MLLM benchmarks (POPE, MME, SEED, MM-Vet, LLav-wild), even when the input testing images has no tags.

For more information about SoM-LLaVA, check our github page and paper!

Getting Started

This model should be used in the official LLaVA repo for training and evalution.

If you would like to load the model in HF style, check the converted model weights: [SoM-LLaVA-v1.5-13B-HF]

Citation

If you find our data or model useful for your research and applications, please cite our paper:

@article{yan2024list,
  title={List Items One by One: A New Data Source and Learning Paradigm for Multimodal LLMs},
  author={Yan, An and Yang, Zhengyuan and Wu, Junda and Zhu, Wanrong and Yang, Jianwei and Li, Linjie and Lin, Kevin and Wang, Jianfeng and McAuley, Julian and Gao, Jianfeng and others},
  journal={arXiv preprint arXiv:2404.16375},
  year={2024}
}

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
9af6ca3

0 моделей