Chemvlm 8B

🚀 ChemVLM-8B: 化学用マルチモーダル大規模言語モデル

これは、化学アプリケーション向けに設計されたマルチモーダル大規模言語モデルであるChemVLMの80億パラメータ版です。

🚀 クイックスタート

from transformers import AutoTokenizer, AutoModelforCasualLM
import torch
import torchvision.transforms as T
import transformers
from torchvision.transforms.functional import InterpolationMode


IMAGENET_MEAN = (0.485, 0.456, 0.406)
IMAGENET_STD = (0.229, 0.224, 0.225)

IMAGENET_MEAN = (0.485, 0.456, 0.406)
IMAGENET_STD = (0.229, 0.224, 0.225)


def build_transform(input_size):
    MEAN, STD = IMAGENET_MEAN, IMAGENET_STD
    transform = T.Compose([
        T.Lambda(lambda img: img.convert('RGB') if img.mode != 'RGB' else img),
        T.Resize((input_size, input_size), interpolation=InterpolationMode.BICUBIC),
        T.ToTensor(),
        T.Normalize(mean=MEAN, std=STD)
    ])
    return transform


def find_closest_aspect_ratio(aspect_ratio, target_ratios, width, height, image_size):
    best_ratio_diff = float('inf')
    best_ratio = (1, 1)
    area = width * height
    for ratio in target_ratios:
        target_aspect_ratio = ratio[0] / ratio[1]
        ratio_diff = abs(aspect_ratio - target_aspect_ratio)
        if ratio_diff < best_ratio_diff:
            best_ratio_diff = ratio_diff
            best_ratio = ratio
        elif ratio_diff == best_ratio_diff:
            if area > 0.5 * image_size * image_size * ratio[0] * ratio[1]:
                best_ratio = ratio
    return best_ratio


def dynamic_preprocess(image, min_num=1, max_num=6, image_size=448, use_thumbnail=False):
    orig_width, orig_height = image.size
    aspect_ratio = orig_width / orig_height

    # calculate the existing image aspect ratio
    target_ratios = set(
        (i, j) for n in range(min_num, max_num + 1) for i in range(1, n + 1) for j in range(1, n + 1) if
        i * j <= max_num and i * j >= min_num)
    target_ratios = sorted(target_ratios, key=lambda x: x[0] * x[1])

    # find the closest aspect ratio to the target
    target_aspect_ratio = find_closest_aspect_ratio(
        aspect_ratio, target_ratios, orig_width, orig_height, image_size)

    # calculate the target width and height
    target_width = image_size * target_aspect_ratio[0]
    target_height = image_size * target_aspect_ratio[1]
    blocks = target_aspect_ratio[0] * target_aspect_ratio[1]

    # resize the image
    resized_img = image.resize((target_width, target_height))
    processed_images = []
    for i in range(blocks):
        box = (
            (i % (target_width // image_size)) * image_size,
            (i // (target_width // image_size)) * image_size,
            ((i % (target_width // image_size)) + 1) * image_size,
            ((i // (target_width // image_size)) + 1) * image_size
        )
        # split the image
        split_img = resized_img.crop(box)
        processed_images.append(split_img)
    assert len(processed_images) == blocks
    if use_thumbnail and len(processed_images) != 1:
        thumbnail_img = image.resize((image_size, image_size))
        processed_images.append(thumbnail_img)
    return processed_images


def load_image(image_file, input_size=448, max_num=6):
    image = Image.open(image_file).convert('RGB')
    transform = build_transform(input_size=input_size)
    images = dynamic_preprocess(image, image_size=input_size, use_thumbnail=True, max_num=max_num)
    pixel_values = [transform(image) for image in images]
    pixel_values = torch.stack(pixel_values)
    return pixel_values


tokenizer = AutoTokenizer.from_pretrained('AI4Chem/ChemVLM-8B', trust_remote_code=True)
model = AutoModelForCausalLM.from_pretrained(
    "AI4Chem/ChemVLM-8B",
    torch_dtype=torch.bfloat16,
    low_cpu_mem_usage=True,
    trust_remote_code=True
).cuda().eval()

query = "Please describe the molecule in the image."
image_path = "your image path"
pixel_values = load_image(image_path, max_num=6).to(torch.bfloat16).cuda()

gen_kwargs = {"max_length": 1000, "do_sample": True, "temperature": 0.7, "top_p": 0.9}

response = model.chat(tokenizer, pixel_values, query, gen_kwargs)
print(response)

必要なライブラリは pip install transformers>=4.37.0 sentencepiece einops timm accelerate>=0.26.0 でインストールしてください。また、torch と torchvision もインストールしていることを確認してください。

✨ 主な機能

このモデルは、化学分野に特化したマルチモーダル大規模言語モデルで、化学構造や反応、化学の試験問題など、化学に関連するテキストと視覚情報の両方を理解する能力を備えています。

📚 ドキュメント

論文

ChemVLM: Exploring the Power of Multimodal Large Language Models in Chemistry Area

概要

大規模言語モデル（LLM）は、顕著な成功を収め、化学を含む様々な科学分野で応用されています。しかし、多くの化学タスクでは、視覚情報の処理が必要であり、既存の化学LLMではうまく処理できません。これにより、化学ドメインにおいてマルチモーダル情報を統合できるモデルの必要性が高まっています。この論文では、化学アプリケーション向けに特別に設計されたオープンソースの化学マルチモーダル大規模言語モデルである ChemVLM を紹介します。ChemVLMは、分子構造、反応、化学試験問題などの化学情報を含む、精選されたバイリンガルのマルチモーダルデータセットで学習されており、化学に関するテキストと視覚情報の両方を理解する能力が強化されています。我々は、化学光学文字認識（OCR）、マルチモーダル化学推論（MMCR）、マルチモーダル分子理解タスクに特化した3つのデータセットを開発し、包括的な評価を行いました。我々は、様々なタスクでChemVLMをさまざまなオープンソースおよび独自のマルチモーダル大規模言語モデルと比較しました。実験結果は、ChemVLMが評価されたすべてのタスクで競争力のある性能を達成していることを示しています。我々のモデルは https://huggingface.co/AI4Chem/ChemVLM-26B で見つけることができます。

モデルの説明

ChemVLMのアーキテクチャはInternVLMに基づいており、ビジョンと言語処理の両方のコンポーネントを組み込んでいます。このモデルは、分子構造、反応、化学試験問題などの化学情報を含むバイリンガルのマルチモーダルデータセットで学習されています。アーキテクチャに関する詳細は、Github README で確認できます。

引用

@inproceedings{li2025chemvlm,
  title={Chemvlm: Exploring the power of multimodal large language models in chemistry area},
  author={Li, Junxian and Zhang, Di and Wang, Xunzhi and Hao, Zeying and Lei, Jingdi and Tan, Qian and Zhou, Cai and Liu, Wei and Yang, Yaotian and Xiong, Xinrui and others},
  booktitle={Proceedings of the AAAI Conference on Artificial Intelligence},
  volume={39},
  number={1},
  pages={415--423},
  year={2025}
}

コードベースとデータセット

コードベースとデータセットは、https://github.com/AI4Chem/ChemVlm で見つけることができます。

80億パラメータモデルのいくつかのタスクでの性能

📄 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。