Xinyuan VL 2B

🚀 鑫源多模態大模型Xinyuan-VL-2B

鑫源多模態大模型Xinyuan-VL-2B是Cylingo集團推出的一款端側高性能多模態大模型。它基於Qwen/Qwen2-VL-2B-Instruct進行微調，使用了超500萬的多模態數據以及少量純文本數據進行訓練。該模型在多個權威基準測試中表現出色。

🚀 快速開始

為了藉助開源社區蓬勃發展的生態，我們選擇在Qwen/Qwen2-VL-2B-Instruct的基礎上進行微調，從而形成了我們的Cylingo/Xinyuan-VL-2B。因此，使用Cylingo/Xinyuan-VL-2B的方式與使用Qwen/Qwen2-VL-2B-Instruct一致。

💻 使用示例

基礎用法

from transformers import Qwen2VLForConditionalGeneration, AutoTokenizer, AutoProcessor
from qwen_vl_utils import process_vision_info

# default: Load the model on the available device(s)
model = Qwen2VLForConditionalGeneration.from_pretrained(
    "Cylingo/Xinyuan-VL-2B", torch_dtype="auto", device_map="auto"
)

# default processer
processor = AutoProcessor.from_pretrained("Cylingo/Xinyuan-VL-2B")

messages = [
    {
        "role": "user",
        "content": [
            {
                "type": "image",
                "image": "https://qianwen-res.oss-cn-beijing.aliyuncs.com/Qwen-VL/assets/demo.jpeg",
            },
            {"type": "text", "text": "Describe this image."},
        ],
    }
]

# Preparation for inference
text = processor.apply_chat_template(
    messages, tokenize=False, add_generation_prompt=True
)
image_inputs, video_inputs = process_vision_info(messages)
inputs = processor(
    text=[text],
    images=image_inputs,
    videos=video_inputs,
    padding=True,
    return_tensors="pt",
)
inputs = inputs.to("cuda")

# Inference: Generation of the output
generated_ids = model.generate(**inputs, max_new_tokens=128)
generated_ids_trimmed = [
    out_ids[len(in_ids) :] for in_ids, out_ids in zip(inputs.input_ids, generated_ids)
]
output_text = processor.batch_decode(
    generated_ids_trimmed, skip_special_tokens=True, clean_up_tokenization_spaces=False
)
print(output_text)

🔧 評估

我們使用VLMEvalKit工具包對**鑫源多模態大模型XinYuan-VL-2B** 在以下基準測試中進行了評估，發現鑫源多模態大模型XinYuan-VL-2B 表現優於阿里雲發佈的Qwen/Qwen2-VL-2B-Instruct，以及在開源社區有重大影響力的其他參數規模相當的模型。

你可以在opencompass/open_vlm_leaderboard中查看具體結果：

📄 許可證

本項目採用Apache-2.0許可證。