Pixtral 12b Nf4

🚀 ピクストラル12B-NF4 モデル

このモデルは、画像とテキストを入力としてテキストを出力する画像テキスト対応モデルです。

🚀 クイックスタート

このモデルは、mistral-community/pixtral-12b をBitsAndBytesを用いてNF4（4ビット）量子化で変換したものです。二重量子化は使用していません。モデルをロードするには bitsandbytes が必要です。

💻 使用例

基本的な使用法

from transformers import LlavaForConditionalGeneration, AutoProcessor, BitsAndBytesConfig
from PIL import Image
import time

# Load model
model_id = "SeanScripts/pixtral-12b-nf4"
model = LlavaForConditionalGeneration.from_pretrained(
    model_id,
    use_safetensors=True,
    device_map="cuda:0"
)
# Load tokenizer
processor = AutoProcessor.from_pretrained(model_id)

# Caption a local image
IMG_URLS = [Image.open("test.png").convert("RGB")]
PROMPT = "<s>[INST]Caption this image:\n[IMG][/INST]"

inputs = processor(images=IMG_URLS, text=PROMPT, return_tensors="pt").to("cuda")
prompt_tokens = len(inputs['input_ids'][0])
print(f"Prompt tokens: {prompt_tokens}")

t0 = time.time()
generate_ids = model.generate(**inputs, max_new_tokens=512)
t1 = time.time()
total_time = t1 - t0
generated_tokens = len(generate_ids[0]) - prompt_tokens
time_per_token = generated_tokens/total_time
print(f"Generated {generated_tokens} tokens in {total_time:.3f} s ({time_per_token:.3f} tok/s)")

output = processor.batch_decode(generate_ids, skip_special_tokens=True, clean_up_tokenization_spaces=False)[0]
print(output)

高度な使用法

# 4090では、（フラッシュアテンションなしで）約10 - 12 tok/s の速度が得られ、キャプションの質もかなり良いようです。ただし、十分なテストは行っていません。VRAMは約10GB使用します。

このモデルを実行するためのComfyUIカスタムノードのセットはこちらで入手できます: https://github.com/SeanScripts/ComfyUI-PixtralLlamaVision

📄 ライセンス

このモデルはApache-2.0ライセンスの下で提供されています。

📚 詳細情報