Flashvl 2B Dynamic ISS

🚀 FlashVL-2B-Dynamic-ISS

私たちは、リアルタイムアプリケーション向けにビジョン言語モデル（VLM）を最適化する新しいアプローチである FlashVL を紹介することを嬉しく思います。このアプローチは、精度を犠牲にすることなく超低レイテンシーと高スループットを実現します。

🚀 クイックスタート

環境設定

pip install torch==2.1.2
pip install transformers==4.50.0.dev0

使い方

import torch
from PIL import Image
import requests
from io import BytesIO
from transformers import AutoModel, AutoTokenizer, CLIPImageProcessor

model_path = "FlashVL/FlashVL-2B-Dynamic-ISS"
model = AutoModel.from_pretrained(model_path, torch_dtype=torch.bfloat16,trust_remote_code=True,device_map='cuda')
model.tokenizer = AutoTokenizer.from_pretrained(model_path,device_map='cuda')
model.im_trans = CLIPImageProcessor.from_pretrained(model_path)

# single-image single-round conversation (单图单轮对话)
image_url ="https://s3plus.meituan.net/automl-datasets/mlm/0516.png"
response = requests.get(image_url)
image_data = BytesIO(response.content)
pil_image = Image.open(image_data).convert('RGB')   
messages = [{'role': 'user', 'content': "生成图中菜品的菜谱"}] # answer: EXTRA
answer = model.chat(pil_image, messages, do_sample=False, max_new_tokens=256)
print(answer)

# single-image multi-round conversation (单图多轮对话)
messages = [
    {'role': 'user', 'content': '这是什么'},
    {"role": "assistant", "content": '这是一道看起来像是银耳莲子汤的甜品。\
     银耳是一种常见的食材，通常用于制作甜品和汤品，具有软糯的口感和清润的口感。莲 \
     子是莲子的干燥部分，常用于中医和食疗中，具有补脾止泻的功效。图片中还可以看到 \
     一些枸杞和核桃，枸杞富含维生素和抗氧化物质，核桃则提供丰富的蛋白质和健康脂肪。 \
     整体来看，这道甜品不仅美味，还具有一定的营养价值。'},
    {'role': 'user', 'content': '对图中菜品卡路里分析'}
    ]
answer = model.chat(pil_image, messages, do_sample=False, max_new_tokens=256)
print(answer)

# pure-text single-round conversation (纯文本对话）
messages = [{'role': 'user', 'content': "who are you"}]
answer = model.chat(None, messages, do_sample=False, max_new_tokens=256)
print(answer)

✨ 主な機能

私たちは、リアルタイムアプリケーション向けにビジョン言語モデル（VLM）を最適化する新しいアプローチである FlashVL を導入します。これは、高度なアーキテクチャの強化と効率的な計算戦略を活用し、処理時間を短縮してスループットを最大化しながら、複数のビジョン言語ベンチマークで競争力のあるパフォーマンスを維持するように設計されています。

📚 ドキュメント

評価

私たちは VLMEvalKit を使用して、FlashVL-2B-Static を評価しています。

📄 ライセンス

このプロジェクトは、Apache-2.0 ライセンスの下で提供されています。

📦 その他の情報

📜 引用

もしこのプロジェクトがあなたの研究に役立った場合、以下のように引用を考慮してください。

@misc{zhang2025flashvl2boptimizingvisionlanguage,
      title={Flash-VL 2B: Optimizing Vision-Language Model Performance for Ultra-Low Latency and High Throughput}, 
      author={Bo Zhang and Shuo Li and Runhe Tian and Yang Yang and Jixin Tang and Jinhao Zhou and Lin Ma},
      year={2025},
      eprint={2505.09498},
      archivePrefix={arXiv},
      primaryClass={cs.CV},
      url={https://arxiv.org/abs/2505.09498}, 
}