Llama 3.2 11B Vision Instruct Nf4

🚀 Llama-3.2-11B-Vision-Instruct-nf4

このモデルは、画像とテキストを入力としてテキストを出力するモデルです。Llama-3.2-11B-Vision-Instructを4-bit量子化したものです。

🚀 クイックスタート

meta-llama/Llama-3.2-11B-Vision-Instruct をBitsAndBytesを使ってNF4 (4-bit) 量子化で変換したものです。二重量子化は使用していません。モデルをロードするには bitsandbytes が必要です。

📦 インストール

モデルをロードするには bitsandbytes が必要です。

💻 使用例

基本的な使用法

from transformers import MllamaForConditionalGeneration, AutoProcessor, BitsAndBytesConfig
from PIL import Image
import time

# Load model
model_id = "SeanScripts/Llama-3.2-11B-Vision-Instruct-nf4"
model = MllamaForConditionalGeneration.from_pretrained(
    model_id,
    use_safetensors=True,
    device_map="cuda:0"
)
# Load tokenizer
processor = AutoProcessor.from_pretrained(model_id)

# Caption a local image (could use a more specific prompt)
IMAGE = Image.open("test.png").convert("RGB")
PROMPT = """<|begin_of_text|><|start_header_id|>user<|end_header_id|>
Caption this image:
<|image|><|eot_id|><|start_header_id|>assistant<|end_header_id|>
"""

inputs = processor(IMAGE, PROMPT, return_tensors="pt").to(model.device)
prompt_tokens = len(inputs['input_ids'][0])
print(f"Prompt tokens: {prompt_tokens}")

t0 = time.time()
generate_ids = model.generate(**inputs, max_new_tokens=256)
t1 = time.time()
total_time = t1 - t0
generated_tokens = len(generate_ids[0]) - prompt_tokens
time_per_token = generated_tokens/total_time
print(f"Generated {generated_tokens} tokens in {total_time:.3f} s ({time_per_token:.3f} tok/s)")

output = processor.decode(generate_ids[0][prompt_tokens:]).replace('<|eot_id|>', '')
print(output)

このモデルを実行するためのComfyUIカスタムノードのセットはこちらで入手できます。 https://github.com/SeanScripts/ComfyUI-PixtralLlamaVision

📄 ライセンス

このモデルは llama3.2 ライセンスの下で提供されています。

📚 ドキュメント