Fastvlm 0.5B Stage3

🚀 FastVLM-0.5B-Stage3

このモデルは、視覚的な情報を理解し、能動的に行動し、長いビデオを理解してイベントを捉え、構造化された出力を生成できるマルチモーダル言語モデルです。

このモデルは、Githubの apple/ml-fastvlm からエクスポートされています。

モデルの重み: llava-fastvithd_0.5b_stage3.zip。

🚀 クイックスタート

💻 使用例

基本的な使用法

from transformers import AutoTokenizer, AutoModelForCausalLM

model_id = 'FastVLM-0.5B-Stage3'
tokenizer = AutoTokenizer.from_pretrained(model_id, trust_remote_code=True, use_fast=False)
model = AutoModelForCausalLM.from_pretrained(model_id, torch_dtype='auto', trust_remote_code=True)

高度な使用法

git clone https://github.com/alibaba/MNN
cd MNN/transformers/llm/export
python llmexport.py --path /path/to/FastVLM-0.5B-Stage3 --export mnn

📄 ライセンス

このモデルは apple のライセンスの下で提供されています。

📚 ドキュメント

引用

もしこの研究が役に立った場合は、以下のように引用してください。

@InProceedings{fastvlm2025,
  author = {Pavan Kumar Anasosalu Vasu, Fartash Faghri, Chun-Liang Li, Cem Koc, Nate True, Albert Antony, Gokul Santhanam, James Gabriel, Peter Grasch, Oncel Tuzel, Hadi Pouransari},
  title = {FastVLM: Efficient Vision Encoding for Vision Language Models},
  booktitle = {Proceedings of the IEEE/CVF Conference on Computer Vision and Pattern Recognition (CVPR)},
  month = {June},
  year = {2025},
}{2023}