NVLM D 72B

🚀 NVLM 1.0

NVLM 1.0是一系列前沿的多模態大語言模型，在視覺語言任務上取得了領先成果，可與GPT - 4o等專有模型以及Llama 3 - V 405B等開源模型相媲美。

🚀 快速開始

今天（2024年9月17日），我們推出了NVLM 1.0，這是一系列前沿級別的多模態大語言模型（LLMs），在視覺語言任務上取得了最先進的成果，可與領先的專有模型（如GPT - 4o）和開放訪問模型（如Llama 3 - V 405B和InternVL 2）相媲美。值得注意的是，NVLM 1.0在多模態訓練後，其純文本性能相較於其大語言模型骨幹有所提升。

在這個倉庫中，我們將NVLM - 1.0 - D - 72B（僅解碼器架構）的模型權重和代碼開源給社區。

✨ 主要特性

• 該系列模型可執行視覺語言和純文本任務，包括光學字符識別、多模態推理、定位、常識推理、世界知識利用和編碼。
• 模型經過多模態訓練後，純文本性能相較於骨幹大語言模型有所提升。

📦 安裝指南

準備環境

我們在Dockerfile中提供了一個Docker構建文件，用於復現實驗。

Docker鏡像基於nvcr.io/nvidia/pytorch:23.09 - py3。

⚠️ 重要提示

我們觀察到不同的Transformer版本、CUDA版本和Docker版本可能會導致基準測試結果出現細微差異。建議使用上述Dockerfile進行精確復現。

💻 使用示例

基礎用法

import torch
from transformers import AutoModel

path = "nvidia/NVLM-D-72B"
model = AutoModel.from_pretrained(
    path,
    torch_dtype=torch.bfloat16,
    low_cpu_mem_usage=True,
    use_flash_attn=False,
    trust_remote_code=True).eval()

高級用法

多GPU加載模型

import torch
import math
from transformers import AutoModel

def split_model():
    device_map = {}
    world_size = torch.cuda.device_count()
    num_layers = 80
    # Since the first GPU will be used for ViT, treat it as half a GPU.
    num_layers_per_gpu = math.ceil(num_layers / (world_size - 0.5))
    num_layers_per_gpu = [num_layers_per_gpu] * world_size
    num_layers_per_gpu[0] = math.ceil(num_layers_per_gpu[0] * 0.5)
    layer_cnt = 0
    for i, num_layer in enumerate(num_layers_per_gpu):
        for j in range(num_layer):
            device_map[f'language_model.model.layers.{layer_cnt}'] = i
            layer_cnt += 1
    device_map['vision_model'] = 0
    device_map['mlp1'] = 0
    device_map['language_model.model.tok_embeddings'] = 0
    device_map['language_model.model.embed_tokens'] = 0
    device_map['language_model.output'] = 0
    device_map['language_model.model.norm'] = 0
    device_map['language_model.lm_head'] = 0
    device_map['language_model.model.rotary_emb'] = 0
    device_map[f'language_model.model.layers.{num_layers - 1}'] = 0

    return device_map

path = "nvidia/NVLM-D-72B"
device_map = split_model()
model = AutoModel.from_pretrained(
    path,
    torch_dtype=torch.bfloat16,
    low_cpu_mem_usage=True,
    use_flash_attn=False,
    trust_remote_code=True,
    device_map=device_map).eval()

推理示例

import torch
from transformers import AutoTokenizer, AutoModel
import math
from PIL import Image
import torchvision.transforms as T
from torchvision.transforms.functional import InterpolationMode


def split_model():
    device_map = {}
    world_size = torch.cuda.device_count()
    num_layers = 80
    # Since the first GPU will be used for ViT, treat it as half a GPU.
    num_layers_per_gpu = math.ceil(num_layers / (world_size - 0.5))
    num_layers_per_gpu = [num_layers_per_gpu] * world_size
    num_layers_per_gpu[0] = math.ceil(num_layers_per_gpu[0] * 0.5)
    layer_cnt = 0
    for i, num_layer in enumerate(num_layers_per_gpu):
        for j in range(num_layer):
            device_map[f'language_model.model.layers.{layer_cnt}'] = i
            layer_cnt += 1
    device_map['vision_model'] = 0
    device_map['mlp1'] = 0
    device_map['language_model.model.tok_embeddings'] = 0
    device_map['language_model.model.embed_tokens'] = 0
    device_map['language_model.output'] = 0
    device_map['language_model.model.norm'] = 0
    device_map['language_model.lm_head'] = 0
    device_map['language_model.model.rotary_emb'] = 0
    device_map[f'language_model.model.layers.{num_layers - 1}'] = 0

    return device_map


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=12, 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=12):
    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

path = "nvidia/NVLM-D-72B"
device_map = split_model()
model = AutoModel.from_pretrained(
    path,
    torch_dtype=torch.bfloat16,
    low_cpu_mem_usage=True,
    use_flash_attn=False,
    trust_remote_code=True,
    device_map=device_map).eval()

print(model)

tokenizer = AutoTokenizer.from_pretrained(path, trust_remote_code=True, use_fast=False)
generation_config = dict(max_new_tokens=1024, do_sample=False)

# pure-text conversation
question = 'Hello, who are you?'
response, history = model.chat(tokenizer, None, question, generation_config, history=None, return_history=True)
print(f'User: {question}\nAssistant: {response}')

# single-image single-round conversation
pixel_values = load_image('path/to/your/example/image.jpg', max_num=6).to(
    torch.bfloat16)
question = '<image>\nPlease describe the image shortly.'
response = model.chat(tokenizer, pixel_values, question, generation_config)
print(f'User: {question}\nAssistant: {response}')

基準測試評估

python run_eval.py --config-path eval/full_eval.yaml \
 --result-save-path path/to/eval_results/ \
 --zero-shot-eval-tasks chartqa coco_caption flickr30k_caption vqav2 mmmu textvqa mathvista mmbench chartqa docvqa realworldqa ocrbench ai2diagram ai2diagram_nomask mmmu_pro docvqa_test

具體來說：

• --config-path eval/full_eval.yaml 文件包含評估配置，包括評估提示、評估數據集路徑和生成超參數。
• --result-save-path path/to/eval_results/ 指定保存評估結果的路徑。
• --zero-shot-eval-tasks 指定要評估的任務。

📚 詳細文檔

參考資料

• 論文
• 推理代碼（HF）
• 訓練代碼
• 官網

基準測試結果

我們使用舊版Megatron - LM訓練模型，並將代碼庫適配到Huggingface以進行模型託管、復現和推理。

我們觀察到Megatron和Huggingface代碼庫之間存在數值差異，但這些差異在預期的變化範圍內。

為了復現和與其他模型進行比較，我們提供了Huggingface代碼庫和Megatron代碼庫的結果。

截至2024年9月17日，多模態基準測試的結果如下：

視覺語言基準測試

純文本基準測試

模型架構

魯棒性

在該數據集上訓練的模型無法再生其訓練數據：

1. 由於模型的輸出僅為文本，因此它沒有圖像生成能力，無法再生訓練期間看到的任何圖像。
2. 模型無法再生訓練文本數據：在訓練期間，模型將文本和圖像作為輸入，模型輸出（文本）取決於這兩個輸入。在推理期間，如果沒有訓練圖像作為輸入，模型將無法再現訓練文本數據的任何部分。

輸入

• 輸入類型：文本、圖像
• 輸入格式：字符串、Pillow庫支持的格式
• 輸入維度：一維（1D）、二維（2D）
• 其他輸入相關屬性：最大令牌長度 = 128K 令牌

輸出

• 輸出類型：文本
• 輸出格式：字符串
• 模型輸出維度：1D
• 其他輸出相關屬性：無

軟件集成

推理

模型版本

• v1.0 - D (NVLM - D)

訓練、測試和評估數據集

預訓練數據集

• 鏈接：見表4
• 數據收集方法：混合：自動、人工、合成、未知
• 標註方法：混合：自動、人工、合成、未知
• 屬性：在圖像標題、圖像 - 文本對、自然圖像、圖表、文檔、場景描述和數學推理上進行訓練。

監督微調數據集

• 鏈接：見表6
• 數據收集方法：混合：自動、人工、合成、未知
• 標註方法：混合：自動、人工、合成、未知
• 屬性：在圖像標題、常識知識、圖像 - 文本對、自然圖像、圖表、圖表、文檔、場景描述、科學圖表、課程、教科書數據和問答對、視覺指令調整和數學推理上進行訓練。

評估數據集

• 鏈接：見第6.1節“基準測試”
• 數據收集方法：人工
• 標註方法：人工
• 屬性：在常識知識、視覺問答、圖表理解、表格、光學字符識別和數學推理上進行評估。

聯繫方式

Wenliang Dai* (wdai@nvidia.com)、Nayeon Lee* (nayeonl@nvidia.com)、Boxin Wang* (boxinw@nvidia.com)、Zhuolin Yang* (zhuoliny@nvidia.com)、Wei Ping* (wping@nvidia.com)

*同等貢獻

引用

@article{nvlm2024,
  title={NVLM: Open Frontier-Class Multimodal LLMs},
  author={Dai, Wenliang and Lee, Nayeon and Wang, Boxin and Yang, Zhuolin and Liu, Zihan and Barker, Jon and Rintamaki, Tuomas and Shoeybi, Mohammad and Catanzaro, Bryan and Ping, Wei},
  journal={arXiv preprint},
  year={2024}
}

倫理考量

NVIDIA認為可信AI是一項共同責任，我們已經制定了政策和實踐，以支持廣泛的AI應用開發。當按照我們的服務條款下載或使用時，開發者應與支持的模型團隊合作，確保該模型滿足相關行業和用例的要求，並解決不可預見的產品濫用問題。

請在此報告安全漏洞或NVIDIA AI相關問題。

📄 許可證

適用條款：許可協議 - 署名 - 非商業性使用 4.0 國際 - 知識共享。

附加信息：Qwen2 - 72B - Instruct的許可證 以及 InternViT - 6B - 448px - V1 - 2的MIT許可證。