Heron NVILA Lite 33B

🚀 Heron-NVILA-Lite-33B

Heron-NVILA-Lite-33Bは、NVILA-Liteアーキテクチャに基づいて、日本語用に学習されたビジョン言語モデルです。

🚀 クイックスタート

モデル概要

セットアップ

# 4.46.0と4.49.0も動作することを確認しています。他のTransformerのバージョンも動作する可能性がありますが、テストしていません。
pip install transformers==4.45.0 accelerate opencv-python torchvision einops pillow
pip install git+https://github.com/bfshi/scaling_on_scales.git

使用例

基本的な使用法

from transformers import AutoConfig, AutoModel

model_path = "turing-motors/Heron-NVILA-Lite-33B"

# コンフィグを使用することができます
config = AutoConfig.from_pretrained(model_path, trust_remote_code=True)
model = AutoModel.from_config(config, trust_remote_code=True, device_map="auto")

# または直接from_pretrainedを使用することもできます
model = AutoModel.from_pretrained(model_path, trust_remote_code=True, device_map="auto")

# chat_templateを表示する
print(model.tokenizer.chat_template)

# 生のテキストで生成する例
response = model.generate_content(["こんにちは"])
print(response)
print("---" * 40)

高度な使用法

# 画像を含む例
from PIL import Image
import requests
url = "http://images.cocodataset.org/val2017/000000039769.jpg"
image = Image.open(requests.get(url, stream=True).raw).convert("RGB")
response = model.generate_content([image, "画像を説明してください。"])
print(response)
print("---" * 40)

# generation_configを使用した生成例
from PIL import Image
import requests
from transformers import GenerationConfig
generation_config = {
    "max_new_tokens": 512,
    "temperature": 0.5,
    "do_sample": True,
}
generation_config = GenerationConfig(**generation_config)
url = "http://images.cocodataset.org/val2017/000000039769.jpg"
image = Image.open(requests.get(url, stream=True).raw).convert("RGB")
response = model.generate_content(
    [image, "画像を説明してください。"],
    generation_config=generation_config
)
print(response)
print("---" * 40)

# 複数の画像とテキストを含む例
from PIL import Image
import requests
url_list = [
    "https://images.unsplash.com/photo-1694831404826-3400c48c188d?q=80&w=2070&auto=format&fit=crop&ixlib=rb-4.0.3&ixid=M3wxMjA3fDB8MHxwaG90by1wYWdlfHx8fGVufDB8fHx8fA%3D%3D",
    "https://images.unsplash.com/photo-1693240876439-473af88b4ed7?q=80&w=1974&auto=format&fit=crop&ixlib=rb-4.0.3&ixid=M3wxMjA3fDB8MHxwaG90by1wYWdlfHx8fGVufDB8fHx8fA%3D%3D"
]
images = [
   Image.open(requests.get(url, stream=True).raw).convert("RGB") for url in url_list
]
response = model.generate_content([
    images[0],
    "これは日本の画像です",
    images[1],
    "これはオーストリアの画像です",
    "各画像の違いを説明して"])
print(response)
print("---" * 40)

🔧 技術詳細

学習概要

評価

この評価には llm-jp-eval-mm を使用しました。Heron-NVILA-Lite と Sarashina2-Vision-14B 以外のモデルのスコアは、2025年3月時点の llm-jp-eval-mm リーダーボード と Asagi ウェブサイト から取得しました。Heron-NVILA-Lite と Sarashina2-Vision-14B は、"gpt-4o-2024-05-13" を使用した llm-as-a-judge で評価しました。Sarashina2-Vision-14B は 公式ブログ で "gpt-4o-2024-08-06" を使用して評価されています。評価条件が異なるため、Sarashina2-Vision-14B の結果は参考程度に扱ってください。

📄 ライセンス

• モデルの重みは Apache License 2.0 の下でライセンスされています。
• GPT-4で生成された合成データが含まれているため、ユーザーは OpenAIの利用規約 に準拠する必要があります。

🎈 謝辞

このモデルは、独立行政法人新エネルギー・産業技術総合開発機構（NEDO）の補助事業 JPNP20017 の成果に基づいています。

以下のオープンソースリポジトリの使用に感謝申し上げます。

• VILA
• llm-jp-eval-mm

⚠️ 重要提示

このモデルは実験的なものであり、倫理的な遵守や法的基準について十分に検証されていません。センシティブなアプリケーションでの使用には注意が必要です。