Heron Chat Git Ja Stablelm Base 7b V1

🚀 Heron GIT Japanese StableLM Base 7B

このモデルは、入力画像について会話できるビジョン言語モデルです。画像に関する自然言語処理タスクに役立ちます。

🚀 クイックスタート

Heron GIT Japanese StableLM Base 7Bを使用するには、まずインストールガイドに従って環境をセットアップします。

💻 使用例

基本的な使用法

import torch
from heron.models.git_llm.git_japanese_stablelm_alpha import GitJapaneseStableLMAlphaForCausalLM
from transformers import AutoProcessor, LlamaTokenizer

device_id = 0
device = f"cuda:{device_id}"

MODEL_NAME = "turing-motors/heron-chat-git-ja-stablelm-base-7b-v1"
    
model = GitJapaneseStableLMAlphaForCausalLM.from_pretrained(
    MODEL_NAME, torch_dtype=torch.float16, ignore_mismatched_sizes=True
)
model.eval()
model.to(device)

# prepare a processor
processor = AutoProcessor.from_pretrained(MODEL_NAME)
tokenizer = LlamaTokenizer.from_pretrained(
    "novelai/nerdstash-tokenizer-v1",
    padding_side="right",
    additional_special_tokens=["▁▁"],
)
processor.tokenizer = tokenizer


import requests
from PIL import Image

# prepare inputs
url = "https://www.barnorama.com/wp-content/uploads/2016/12/03-Confusing-Pictures.jpg"
image = Image.open(requests.get(url, stream=True).raw)

text = f"##human: この画像の面白い点は何ですか?\n##gpt: "

# do preprocessing
inputs = processor(
    text=text,
    images=image,
    return_tensors="pt",
    truncation=True,
)

inputs = {k: v.to(device) for k, v in inputs.items()}

# do inference
with torch.no_grad():
    out = model.generate(**inputs, max_length=256, do_sample=False, temperature=0., no_repeat_ngram_size=2)

# print result
print(processor.tokenizer.batch_decode(out))

📚 ドキュメント

モデルの詳細

• 開発元: Turing Inc.
• アダプタータイプ: GIT
• 言語モデル: Japanese StableLM Base Alpha
• 言語: 日本語

学習について

1. GITアダプターはLLaVA-Pratrain-JAで学習されました。
2. LLMとアダプターはLLaVA-Instruct-620K-JA-v2で完全にファインチューニングされました。

学習データセット

1. LLaVA-Pratrain-JA
2. LLaVA-Instruct-620K-JA-v2

使用目的と制限事項

想定される使用目的

このモデルは、チャットアプリケーションや研究目的での使用を想定しています。

制限事項

このモデルは不正確または誤った情報を生成する可能性があり、その精度は保証されません。まだ研究開発段階にあります。

引用方法

@misc{inoue2024heronbench,
      title={Heron-Bench: A Benchmark for Evaluating Vision Language Models in Japanese}, 
      author={Yuichi Inoue and Kento Sasaki and Yuma Ochi and Kazuki Fujii and Kotaro Tanahashi and Yu Yamaguchi},
      year={2024},
      eprint={2404.07824},
      archivePrefix={arXiv},
      primaryClass={cs.CV}
}

📄 ライセンス

このモデルはCC BY-NC 4.0ライセンスの下で提供されています。