4M 7 SR L CC12M

🚀 4M: 大規模多模態掩碼建模

一個用於訓練任意到任意多模態基礎模型的框架。
可擴展。開源。涵蓋數十種模態和任務。

項目網站 | GitHub倉庫 | BibTeX引用

以下論文的官方實現和預訓練模型：

4M: Massively Multimodal Masked Modeling，NeurIPS 2023（亮點論文）
David Mizrahi*，Roman Bachmann*，Oğuzhan Fatih Kar，Teresa Yeo，Mingfei Gao，Afshin Dehghan，Amir Zamir

4M-21: An Any-to-Any Vision Model for Tens of Tasks and Modalities，arXiv 2024
Roman Bachmann*，Oğuzhan Fatih Kar*，David Mizrahi*，Ali Garjani，Mingfei Gao，David Griffiths，Jiaming Hu，Afshin Dehghan，Amir Zamir

4M是一個用於訓練“任意到任意”基礎模型的框架，它使用分詞和掩碼技術來擴展到多種不同的模態。 使用4M訓練的模型可以執行廣泛的視覺任務，能夠很好地遷移到未見過的任務和模態，並且是靈活且可引導的多模態生成模型。 我們發佈了“4M: Massively Multimodal Masked Modeling”（此處表示為4M - 7）以及“4M - 21: An Any-to-Any Vision Model for Tens of Tasks and Modalities”（此處表示為4M - 21）的代碼和模型。

🚀 快速開始

📦 安裝指南

有關安裝說明，請參閱 https://github.com/apple/ml-4m 。

💻 使用示例

基礎用法

這個模型可以從Hugging Face Hub加載，示例代碼如下：

from fourm.models.fm import FM
fm = FM.from_pretrained('EPFL-VILAB/4M-7-SR_L_CC12M')

請參閱 https://github.com/apple/ml-4m/blob/main/README_GENERATION.md 以獲取更詳細的說明，以及訪問 https://github.com/apple/ml-4m 查看其他4M模型和分詞器的檢查點。

📄 許可證

此倉庫中的模型權重根據 LICENSE 文件中的示例代碼許可證發佈。

📚 引用

如果您發現此倉庫有幫助，請考慮引用我們的工作：

@inproceedings{4m,
    title={{4M}: Massively Multimodal Masked Modeling},
    author={David Mizrahi and Roman Bachmann and O{\u{g}}uzhan Fatih Kar and Teresa Yeo and Mingfei Gao and Afshin Dehghan and Amir Zamir},
    booktitle={Thirty-seventh Conference on Neural Information Processing Systems},
    year={2023},
}

@article{4m21,
    title={{4M-21}: An Any-to-Any Vision Model for Tens of Tasks and Modalities},
    author={Roman Bachmann and O{\u{g}}uzhan Fatih Kar and David Mizrahi and Ali Garjani and Mingfei Gao and David Griffiths and Jiaming Hu and Afshin Dehghan and Amir Zamir},
    journal={arXiv 2024},
    year={2024},
}