Eagle X4 8B Plus

🚀 Eagle模型卡片

Eagle是一個以視覺為中心的高分辨率多模態大語言模型家族，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成果顯著。

✨ 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/卷積網絡）和知識（檢測/分割/光學字符識別/自監督學習）的視覺專家。
• 高分辨率支持：支持超過1K的輸入分辨率，在多模態大語言模型基準測試中取得優異成績，特別是在對分辨率敏感的任務上表現突出。

📚 詳細文檔

模型詳情

論文引用

@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}
}

模型架構

推理示例

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}")

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，我們已經制定了相關政策和實踐，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，確保該模型符合相關行業和用例的要求，並解決可能出現的產品濫用問題。

📄 許可證

• 代碼根據LICENSE文件中的Apache 2.0許可證發佈。
• 預訓練權重根據CC-BY-NC-SA-4.0許可證發佈。
• 該服務僅供研究預覽，僅用於非商業用途，並受以下許可證和條款的約束：
  • LLaMA的模型許可證
  • OpenAI生成數據的使用條款
  • 訓練期間使用的每個數據集的許可證

有關模型的問題或建議發送地址： https://github.com/NVlabs/Eagle/issues