Eagle X5 7B

🚀 Eagle模型卡片

Eagle是一系列以視覺為中心的高分辨率多模態大語言模型，通過融合多種視覺編碼器和不同輸入分辨率，增強了多模態大語言模型的感知能力。該模型在多模態大語言模型基準測試中表現出色，尤其在光學字符識別和文檔理解等對分辨率敏感的任務上取得了優異成績。

🚀 快速開始

如果你想使用Eagle模型進行推理，可以參考以下步驟和代碼示例。

✨ 主要特性

• 多模態融合：採用基於通道拼接的“CLIP+X”融合方式，結合不同架構（ViT/ConvNets）和知識（檢測/分割/OCR/SSL）的視覺專家。
• 高分辨率支持：支持超過1K的輸入分辨率，在高分辨率任務中表現出色。
• 廣泛應用：適用於多模態大語言模型的研究和聊天機器人開發。

📚 詳細文檔

模型詳情

BibTeX引用

@article{shi2024eagle,
    title = {Eagle: Exploring The Design Space for Multimodal LLMs with Mixture of Encoders}, 
    author={Min Shi and Fuxiao Liu and Shihao Wang and Shijia Liao and Subhashree Radhakrishnan and De-An Huang and Hongxu Yin and Karan Sapra and Yaser Yacoob and Humphrey Shi and Bryan Catanzaro and Andrew Tao and Jan Kautz and Zhiding Yu and Guilin Liu},
    journal={arXiv:2408.15998},
    year={2024}
}

許可證

• 代碼遵循Apache 2.0許可證。
• 預訓練權重遵循CC - BY - NC - SA - 4.0許可證。
• 該服務僅供非商業研究使用，並需遵守以下許可證和條款：
  • LLaMA模型許可證
  • OpenAI生成數據的使用條款
  • 訓練中使用的每個數據集的許可證

模型架構

輸入

輸出

預期用途

• 主要預期用途：Eagle的主要用途是用於大型多模態模型和聊天機器人的研究。
• 主要預期用戶：該模型的主要預期用戶是計算機視覺、自然語言處理、機器學習和人工智能領域的研究人員和愛好者。

倫理考量

NVIDIA認為可信人工智能是一項共同責任，我們已經制定了政策和實踐，以支持廣泛的人工智能應用開發。當開發者按照我們的服務條款下載或使用該模型時，應與內部模型團隊合作，確保該模型滿足相關行業和用例的要求，並解決意外的產品濫用問題。

💻 使用示例

基礎用法

import os
import torch
import numpy as np
from eagle import conversation as conversation_lib
from eagle.constants import DEFAULT_IMAGE_TOKEN
from eagle.constants import IMAGE_TOKEN_INDEX, DEFAULT_IMAGE_TOKEN, DEFAULT_IM_START_TOKEN, DEFAULT_IM_END_TOKEN
from eagle.conversation import conv_templates, SeparatorStyle
from eagle.model.builder import load_pretrained_model
from eagle.utils import disable_torch_init
from eagle.mm_utils import tokenizer_image_token, get_model_name_from_path, process_images, KeywordsStoppingCriteria
from PIL import Image
import argparse
from transformers import TextIteratorStreamer
from threading import Thread

model_path = "NVEagle/Eagle-X5-13B-Chat"
conv_mode = "vicuna_v1"
image_path = "assets/georgia-tech.jpeg"
input_prompt = "Describe this image."

model_name = get_model_name_from_path(model_path)
tokenizer, model, image_processor, context_len = load_pretrained_model(model_path,None,model_name,False,False)
if model.config.mm_use_im_start_end:
    input_prompt = DEFAULT_IM_START_TOKEN + DEFAULT_IMAGE_TOKEN + DEFAULT_IM_END_TOKEN + '\n' + input_prompt
else:
    input_prompt = DEFAULT_IMAGE_TOKEN + '\n' + input_prompt

conv = conv_templates[conv_mode].copy()
conv.append_message(conv.roles[0], input_prompt)
conv.append_message(conv.roles[1], None)
prompt = conv.get_prompt()

image = Image.open(image_path).convert('RGB')
image_tensor = process_images([image], image_processor, model.config)[0]
input_ids = tokenizer_image_token(prompt, tokenizer, IMAGE_TOKEN_INDEX, return_tensors='pt')

input_ids = input_ids.to(device='cuda', non_blocking=True)
image_tensor = image_tensor.to(dtype=torch.float16, device='cuda', non_blocking=True)

with torch.inference_mode():
    output_ids = model.generate(
        input_ids.unsqueeze(0),
        images=image_tensor.unsqueeze(0),
        image_sizes=[image.size],
        do_sample=True,
        temperature=0.2,
        top_p=0.5,
        num_beams=1,
        max_new_tokens=256,
        use_cache=True)

outputs = tokenizer.batch_decode(output_ids, skip_special_tokens=True)[0].strip()
print(f"Image:{image_path} \nPrompt:{input_prompt} \nOutput:{outputs}")

高級用法

目前文檔未提供高級用法示例，你可以參考基礎用法進行模型推理。

推薦的操作系統

Linux