Sarashina2 Vision 8b

🚀 佐良娜2視覺8B模型

佐良娜2視覺8B（Sarashina2-Vision-8B） 是由 SB直覺公司 訓練的日本大型視覺語言模型。該模型基於 佐良娜2-7B（Sarashina2-7B） 和 通義千問2-VL-7B（Qwen2-VL-7B） 的圖像編碼器構建。截至2025年3月7日，在4個基準測試中，它相較於其他日本視覺語言模型取得了最高分數。

🚀 快速開始

📦 安裝指南

安裝所需依賴：

pip install -U transformers==4.47.0 torch torchvision pillow protobuf sentencepiece accelerate

💻 使用示例

基礎用法

以下腳本可加載模型並進行推理：

import requests
from PIL import Image
from transformers import AutoModelForCausalLM, AutoProcessor

# Define model path
model_path = "sbintuitions/sarashina2-vision-8b"

# Load model and processor
processor = AutoProcessor.from_pretrained(model_path, trust_remote_code=True)
model = AutoModelForCausalLM.from_pretrained(
    model_path,
    device_map="cuda",
    torch_dtype="auto",
    trust_remote_code=True,
)

message = [{"role": "user", "content": "この寫真に寫っているもので、最も有名と考えられる建築物は何でどこに寫っていますか？"}]
text_prompt = processor.apply_chat_template(message, add_generation_prompt=True)
"""text_prompt: <s><|prefix|><|file|><|suffix|>A chat between a curious human and an artificial intelligence assistant. The assistant gives helpful, detailed, and polite answers to the human's questions.

### Human: この寫真に寫っているもので、最も有名と考えられる建築物は何でどこに寫っていますか？
### Assistant:"""

sample_image_url = "https://huggingface.co/sbintuitions/sarashina2-vision-8b/resolve/main/sample.jpg"
image = Image.open(requests.get(sample_image_url, stream=True).raw).convert("RGB")
inputs = processor(
    text=[text_prompt],
    images=[image],
    padding=True,
    return_tensors="pt",
)
inputs = inputs.to("cuda")
stopping_criteria = processor.get_stopping_criteria(["\n###"])

# Inference: Generation of the output
output_ids = model.generate(
    **inputs,
    max_new_tokens=128,
    temperature=0.0,
    do_sample=False,
    stopping_criteria=stopping_criteria,
)
generated_ids = [
    output_ids[len(input_ids) :] for input_ids, output_ids in zip(inputs.input_ids, output_ids)
]
output_text = processor.batch_decode(
    generated_ids, skip_special_tokens=True, clean_up_tokenization_spaces=True
)
print(output_text[0])
"""この寫真に寫っているもので、最も有名と考えられる建築物は東京タワーです。東京タワーは、東京のランドマークであり、この寫真では、高層ビル群の向こう側に寫っています。"""

示例展示

🔧 技術細節

訓練過程

佐良娜2視覺（Sarashina2-Vision） 是通過以下三個階段的學習過程創建的：

1. 通過字幕數據集調整投影器中的參數。
2. 通過字幕數據集調整視覺編碼器和投影器中的參數。
3. 通過視覺指令數據集調整投影器和大語言模型（LLM）中的參數。

評估結果

注：

1. 僅對單圖像樣本（1286個樣本）進行評估。若答案提取失敗，則視為錯誤（得分為0），而非隨機選擇，以消除隨機性。
2. 使用GPT - 4o（gpt - 4o - 2024 - 08 - 06）作為大語言模型評判器。

📄 許可證

本項目採用 MIT許可證。

⚠️ 重要提示

佐良娜2視覺模型可能會生成一些無意義的序列、不準確的實例或有偏差/令人反感的輸出。在使用該模型之前，我們希望開發者根據人類偏好和安全考慮對模型進行調整。