Eagle X5 13B Chat

🚀 鷹（Eagle）模型卡片

鷹（Eagle）是一系列以視覺為中心的高分辨率多模態大語言模型，旨在通過融合多種視覺編碼器和不同輸入分辨率，增強多模態大語言模型的感知能力。該模型家族支持超過 1K 的輸入分辨率，在多模態大語言模型基準測試中取得了優異成績，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表現出色。

🚀 快速開始

推理示例

以下是一個使用鷹（Eagle）模型進行推理的示例代碼：

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}")

推薦/支持的操作系統：Linux

✨ 主要特性

• 多模態融合：採用基於通道拼接的 “CLIP+X” 融合方式，融合不同架構（ViT/卷積網絡）和知識（檢測/分割/OCR/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，尤其在對分辨率敏感的任務上表現出色。

📚 詳細文檔

模型詳情

• 模型類型：鷹（Eagle）是一系列以視覺為中心的高分辨率多模態大語言模型。該模型對通過融合多種視覺編碼器和不同輸入分辨率來增強多模態大語言模型的感知能力進行了深入探索。模型包含基於通道拼接的 “CLIP+X” 融合，用於融合不同架構（ViT/卷積網絡）和知識（檢測/分割/OCR/自監督學習）的視覺專家。由此產生的鷹（Eagle）模型家族支持超過 1K 的輸入分辨率，並在多模態大語言模型基準測試中取得了優異成績，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表現出色。

• 更多信息的論文或資源：
  • GitHub
  • arXiv
  • 演示
  • Huggingface

@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}
}

預期用途

• 主要預期用途：鷹（Eagle）模型主要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

英偉達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，以推動廣泛的人工智能應用的發展。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，並解決不可預見的產品濫用問題。

📄 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 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

關於模型的問題或建議反饋地址：https://github.com/NVlabs/Eagle/issues

🔧 技術細節