モデル概要
モデル特徴
モデル能力
使用事例
🚀 プロメテウス・ビジョン
評価目的に特化した最初のオープンソースのビジョン言語モデルで、GPT - 4Vと人間の評価者の両方と高い相関を示し、GPT - 4V評価の安価な代替手段としての可能性を秘めています。
🚀 クイックスタート
Prometheus-Visionは評価目的に特化した最初のオープンソースのビジョン言語モデル(VLM)です。このモデルはGPT - 4Vや人間の評価者と高い相関を示しており、GPT - 4V評価の安価な代替手段として利用できる可能性があります。
参考リンク
- ホームページ: https://kaistai.github.io/prometheus-vision/
- リポジトリ: https://github.com/kaistAI/prometheus-vision
- 論文: https://arxiv.org/abs/2401.06591
- 問い合わせ先: seongyun@kaist.ac.kr
Prometheus-Visionには5つの入力要素(画像、指示、評価する応答、カスタマイズされた採点基準、参照回答)と2つの出力要素(言語フィードバックとスコア判定)があります。
✨ 主な機能
- 画像からテキストへの変換: Image-to-Textのタスクに対応しています。
- 視覚的質問応答: Visual Question Answeringのタスクを実行できます。
- テキスト生成: Text2Text Generationのタスクもサポートしています。
📦 インストール
このドキュメントには具体的なインストール手順が記載されていないため、このセクションをスキップします。
📚 ドキュメント
モデルの詳細
モデルの説明
プロパティ | 詳細 |
---|---|
モデルタイプ | Vision-Language Model |
言語 (NLP) | 英語 |
ライセンス | Apache 2.0 |
関連モデル | All Prometheus Checkpoints |
詳細情報のリソース | 研究論文、GitHubリポジトリ |
Prometheu-Visionは2つの異なるサイズ(7Bと13B)で学習されています。7BサイズのVLMはこのページで確認できます。また、データセットについてはこのページを参照してください。
プロンプト形式
Prometheus-Visionの入力には5つの要素が必要です。画像、指示、評価する応答、採点基準、参照回答です。以下のプロンプト形式を参考にしてください。
###タスクの説明:
指示(中に入力が含まれている場合もあります)、評価する応答、スコア5を得る参照回答、画像、評価基準を表す採点基準が与えられます。
1. 与えられた採点基準に基づいて、応答の質を厳密に評価した詳細なフィードバックを書いてください。一般的な評価ではなく、採点基準に基づいてください。
2. フィードバックを書いた後、1から5までの整数のスコアを書いてください。採点基準を参照してください。
3. 出力形式は次のようになります: \"フィードバック: (基準に対するフィードバックを書く) [結果] (1から5までの整数)\"
4. 他の開頭、閉じ括弧、説明を生成しないでください。
###評価する指示:
{指示}
###評価する応答:
{応答}
###参照回答 (スコア5):
{参照回答}
###採点基準:
[{基準の説明}]
スコア1: {スコア1の説明}
スコア2: {スコア2の説明}
スコア3: {スコア3の説明}
スコア4: {スコア4の説明}
スコア5: {スコア5の説明}
###フィードバック:
💻 使用例
基本的な使用法
以下はtransformers
ライブラリでこのモデルを使用する例です。GPU上でモデルを実行するスクリプトです。
クリックして展開
import argparse
import torch
import os
import json
from tqdm import tqdm
import shortuuid
from llava.constants import IMAGE_TOKEN_INDEX, DEFAULT_IMAGE_TOKEN, DEFAULT_IM_START_TOKEN, DEFAULT_IM_END_TOKEN
from llava.conversation import conv_templates, SeparatorStyle
from llava.model.builder import load_pretrained_model
from llava.utils import disable_torch_init
from llava.mm_utils import tokenizer_image_token, get_model_name_from_path, KeywordsStoppingCriteria
from PIL import Image
import math
def split_list(lst, n):
"""Split a list into n (roughly) equal-sized chunks"""
chunk_size = math.ceil(len(lst) / n) # integer division
return [lst[i:i+chunk_size] for i in range(0, len(lst), chunk_size)]
def get_chunk(lst, n, k):
chunks = split_list(lst, n)
return chunks[k]
def eval_model(args):
# Model
disable_torch_init()
model_path = 'kaist-ai/prometheus-vision-13b-v1.0'
model_name = 'llava-v1.5'
tokenizer, model, image_processor, context_len = load_pretrained_model(model_path, args.model_base, model_name)
questions = [json.loads(q) for q in open(os.path.expanduser(args.question_file), "r")]
questions = get_chunk(questions, args.num_chunks, args.chunk_idx)
answers_file = os.path.expanduser(args.answers_file)
os.makedirs(os.path.dirname(answers_file), exist_ok=True)
ans_file = open(answers_file, "w")
for line in tqdm(questions):
idx = line["question_id"]
image_file = line["image"]
qs = line["text"]
cur_prompt = qs
if model.config.mm_use_im_start_end:
qs = DEFAULT_IM_START_TOKEN + DEFAULT_IMAGE_TOKEN + DEFAULT_IM_END_TOKEN + '\n' + qs
else:
qs = DEFAULT_IMAGE_TOKEN + '\n' + qs
conv = conv_templates[args.conv_mode].copy()
conv.append_message(conv.roles[0], qs)
conv.append_message(conv.roles[1], None)
prompt = conv.get_prompt()
input_ids = tokenizer_image_token(prompt, tokenizer, IMAGE_TOKEN_INDEX, return_tensors='pt').unsqueeze(0).cuda()
image = Image.open(os.path.join(args.image_folder, image_file))
image_tensor = image_processor.preprocess(image, return_tensors='pt')['pixel_values'][0]
stop_str = conv.sep if conv.sep_style != SeparatorStyle.TWO else conv.sep2
keywords = [stop_str]
stopping_criteria = KeywordsStoppingCriteria(keywords, tokenizer, input_ids)
with torch.inference_mode():
output_ids = model.generate(
input_ids,
images=image_tensor.unsqueeze(0).half().cuda(),
do_sample=True if args.temperature > 0 else False,
temperature=args.temperature,
top_p=args.top_p,
num_beams=args.num_beams,
# no_repeat_ngram_size=3,
max_new_tokens=1024,
use_cache=True)
input_token_len = input_ids.shape[1]
n_diff_input_output = (input_ids != output_ids[:, :input_token_len]).sum().item()
if n_diff_input_output > 0:
print(f'[Warning] {n_diff_input_output} output_ids are not the same as the input_ids')
outputs = tokenizer.batch_decode(output_ids[:, input_token_len:], skip_special_tokens=True)[0]
outputs = outputs.strip()
if outputs.endswith(stop_str):
outputs = outputs[:-len(stop_str)]
outputs = outputs.strip()
ans_id = shortuuid.uuid()
ans_file.write(json.dumps({"question_id": idx,
"prompt": cur_prompt,
"text": outputs,
"answer_id": ans_id,
"model_id": model_name,
"metadata": {}}) + "\n")
ans_file.flush()
ans_file.close()
if __name__ == "__main__":
parser = argparse.ArgumentParser()
parser.add_argument("--model-path", type=str, default="facebook/opt-350m")
parser.add_argument("--model-base", type=str, default=None)
parser.add_argument("--image-folder", type=str, default="")
parser.add_argument("--question-file", type=str, default="tables/question.jsonl")
parser.add_argument("--answers-file", type=str, default="answer.jsonl")
parser.add_argument("--conv-mode", type=str, default="llava_v1")
parser.add_argument("--num-chunks", type=int, default=1)
parser.add_argument("--chunk-idx", type=int, default=0)
parser.add_argument("--temperature", type=float, default=0.2)
parser.add_argument("--top_p", type=float, default=None)
parser.add_argument("--num_beams", type=int, default=1)
args = parser.parse_args()
eval_model(args)
🔧 技術詳細
このドキュメントには具体的な技術詳細が記載されていないため、このセクションをスキップします。
📄 ライセンス
Perception CollectionとPrometheus-Visionは、生成されたデータに関してOpenAIの利用規約の対象となります。違反の疑いがある場合は、お問い合わせください。
引用
このモデルが役に立った場合は、論文を引用していただけると幸いです。
BibTeX:
@misc{lee2024prometheusvision,
title={Prometheus-Vision: Vision-Language Model as a Judge for Fine-Grained Evaluation},
author={Seongyun Lee and Seungone Kim and Sue Hyun Park and Geewook Kim and Minjoon Seo},
year={2024},
eprint={2401.06591},
archivePrefix={arXiv},
primaryClass={cs.CL}
}








