NVLM D 72B

🚀 NVLM 1.0

NVLM 1.0是一系列前沿的多模态大语言模型，在视觉语言任务上取得了领先成果，可与GPT - 4o等专有模型以及Llama 3 - V 405B等开源模型相媲美。

🚀 快速开始

今天（2024年9月17日），我们推出了NVLM 1.0，这是一系列前沿级别的多模态大语言模型（LLMs），在视觉语言任务上取得了最先进的成果，可与领先的专有模型（如GPT - 4o）和开放访问模型（如Llama 3 - V 405B和InternVL 2）相媲美。值得注意的是，NVLM 1.0在多模态训练后，其纯文本性能相较于其大语言模型骨干有所提升。

在这个仓库中，我们将NVLM - 1.0 - D - 72B（仅解码器架构）的模型权重和代码开源给社区。

✨ 主要特性

• 该系列模型可执行视觉语言和纯文本任务，包括光学字符识别、多模态推理、定位、常识推理、世界知识利用和编码。
• 模型经过多模态训练后，纯文本性能相较于骨干大语言模型有所提升。

📦 安装指南

准备环境

我们在Dockerfile中提供了一个Docker构建文件，用于复现实验。

Docker镜像基于nvcr.io/nvidia/pytorch:23.09 - py3。

⚠️ 重要提示

我们观察到不同的Transformer版本、CUDA版本和Docker版本可能会导致基准测试结果出现细微差异。建议使用上述Dockerfile进行精确复现。

💻 使用示例

基础用法

import torch
from transformers import AutoModel

path = "nvidia/NVLM-D-72B"
model = AutoModel.from_pretrained(
    path,
    torch_dtype=torch.bfloat16,
    low_cpu_mem_usage=True,
    use_flash_attn=False,
    trust_remote_code=True).eval()

高级用法

多GPU加载模型

import torch
import math
from transformers import AutoModel

def split_model():
    device_map = {}
    world_size = torch.cuda.device_count()
    num_layers = 80
    # Since the first GPU will be used for ViT, treat it as half a GPU.
    num_layers_per_gpu = math.ceil(num_layers / (world_size - 0.5))
    num_layers_per_gpu = [num_layers_per_gpu] * world_size
    num_layers_per_gpu[0] = math.ceil(num_layers_per_gpu[0] * 0.5)
    layer_cnt = 0
    for i, num_layer in enumerate(num_layers_per_gpu):
        for j in range(num_layer):
            device_map[f'language_model.model.layers.{layer_cnt}'] = i
            layer_cnt += 1
    device_map['vision_model'] = 0
    device_map['mlp1'] = 0
    device_map['language_model.model.tok_embeddings'] = 0
    device_map['language_model.model.embed_tokens'] = 0
    device_map['language_model.output'] = 0
    device_map['language_model.model.norm'] = 0
    device_map['language_model.lm_head'] = 0
    device_map['language_model.model.rotary_emb'] = 0
    device_map[f'language_model.model.layers.{num_layers - 1}'] = 0

    return device_map

path = "nvidia/NVLM-D-72B"
device_map = split_model()
model = AutoModel.from_pretrained(
    path,
    torch_dtype=torch.bfloat16,
    low_cpu_mem_usage=True,
    use_flash_attn=False,
    trust_remote_code=True,
    device_map=device_map).eval()

推理示例

import torch
from transformers import AutoTokenizer, AutoModel
import math
from PIL import Image
import torchvision.transforms as T
from torchvision.transforms.functional import InterpolationMode


def split_model():
    device_map = {}
    world_size = torch.cuda.device_count()
    num_layers = 80
    # Since the first GPU will be used for ViT, treat it as half a GPU.
    num_layers_per_gpu = math.ceil(num_layers / (world_size - 0.5))
    num_layers_per_gpu = [num_layers_per_gpu] * world_size
    num_layers_per_gpu[0] = math.ceil(num_layers_per_gpu[0] * 0.5)
    layer_cnt = 0
    for i, num_layer in enumerate(num_layers_per_gpu):
        for j in range(num_layer):
            device_map[f'language_model.model.layers.{layer_cnt}'] = i
            layer_cnt += 1
    device_map['vision_model'] = 0
    device_map['mlp1'] = 0
    device_map['language_model.model.tok_embeddings'] = 0
    device_map['language_model.model.embed_tokens'] = 0
    device_map['language_model.output'] = 0
    device_map['language_model.model.norm'] = 0
    device_map['language_model.lm_head'] = 0
    device_map['language_model.model.rotary_emb'] = 0
    device_map[f'language_model.model.layers.{num_layers - 1}'] = 0

    return device_map


IMAGENET_MEAN = (0.485, 0.456, 0.406)
IMAGENET_STD = (0.229, 0.224, 0.225)


def build_transform(input_size):
    MEAN, STD = IMAGENET_MEAN, IMAGENET_STD
    transform = T.Compose([
        T.Lambda(lambda img: img.convert('RGB') if img.mode != 'RGB' else img),
        T.Resize((input_size, input_size), interpolation=InterpolationMode.BICUBIC),
        T.ToTensor(),
        T.Normalize(mean=MEAN, std=STD)
    ])
    return transform


def find_closest_aspect_ratio(aspect_ratio, target_ratios, width, height, image_size):
    best_ratio_diff = float('inf')
    best_ratio = (1, 1)
    area = width * height
    for ratio in target_ratios:
        target_aspect_ratio = ratio[0] / ratio[1]
        ratio_diff = abs(aspect_ratio - target_aspect_ratio)
        if ratio_diff < best_ratio_diff:
            best_ratio_diff = ratio_diff
            best_ratio = ratio
        elif ratio_diff == best_ratio_diff:
            if area > 0.5 * image_size * image_size * ratio[0] * ratio[1]:
                best_ratio = ratio
    return best_ratio


def dynamic_preprocess(image, min_num=1, max_num=12, image_size=448, use_thumbnail=False):
    orig_width, orig_height = image.size
    aspect_ratio = orig_width / orig_height

    # calculate the existing image aspect ratio
    target_ratios = set(
        (i, j) for n in range(min_num, max_num + 1) for i in range(1, n + 1) for j in range(1, n + 1) if
        i * j <= max_num and i * j >= min_num)
    target_ratios = sorted(target_ratios, key=lambda x: x[0] * x[1])

    # find the closest aspect ratio to the target
    target_aspect_ratio = find_closest_aspect_ratio(
        aspect_ratio, target_ratios, orig_width, orig_height, image_size)

    # calculate the target width and height
    target_width = image_size * target_aspect_ratio[0]
    target_height = image_size * target_aspect_ratio[1]
    blocks = target_aspect_ratio[0] * target_aspect_ratio[1]

    # resize the image
    resized_img = image.resize((target_width, target_height))
    processed_images = []
    for i in range(blocks):
        box = (
            (i % (target_width // image_size)) * image_size,
            (i // (target_width // image_size)) * image_size,
            ((i % (target_width // image_size)) + 1) * image_size,
            ((i // (target_width // image_size)) + 1) * image_size
        )
        # split the image
        split_img = resized_img.crop(box)
        processed_images.append(split_img)
    assert len(processed_images) == blocks
    if use_thumbnail and len(processed_images) != 1:
        thumbnail_img = image.resize((image_size, image_size))
        processed_images.append(thumbnail_img)
    return processed_images


def load_image(image_file, input_size=448, max_num=12):
    image = Image.open(image_file).convert('RGB')
    transform = build_transform(input_size=input_size)
    images = dynamic_preprocess(image, image_size=input_size, use_thumbnail=True, max_num=max_num)
    pixel_values = [transform(image) for image in images]
    pixel_values = torch.stack(pixel_values)
    return pixel_values

path = "nvidia/NVLM-D-72B"
device_map = split_model()
model = AutoModel.from_pretrained(
    path,
    torch_dtype=torch.bfloat16,
    low_cpu_mem_usage=True,
    use_flash_attn=False,
    trust_remote_code=True,
    device_map=device_map).eval()

print(model)

tokenizer = AutoTokenizer.from_pretrained(path, trust_remote_code=True, use_fast=False)
generation_config = dict(max_new_tokens=1024, do_sample=False)

# pure-text conversation
question = 'Hello, who are you?'
response, history = model.chat(tokenizer, None, question, generation_config, history=None, return_history=True)
print(f'User: {question}\nAssistant: {response}')

# single-image single-round conversation
pixel_values = load_image('path/to/your/example/image.jpg', max_num=6).to(
    torch.bfloat16)
question = '<image>\nPlease describe the image shortly.'
response = model.chat(tokenizer, pixel_values, question, generation_config)
print(f'User: {question}\nAssistant: {response}')

基准测试评估

python run_eval.py --config-path eval/full_eval.yaml \
 --result-save-path path/to/eval_results/ \
 --zero-shot-eval-tasks chartqa coco_caption flickr30k_caption vqav2 mmmu textvqa mathvista mmbench chartqa docvqa realworldqa ocrbench ai2diagram ai2diagram_nomask mmmu_pro docvqa_test

具体来说：

• --config-path eval/full_eval.yaml 文件包含评估配置，包括评估提示、评估数据集路径和生成超参数。
• --result-save-path path/to/eval_results/ 指定保存评估结果的路径。
• --zero-shot-eval-tasks 指定要评估的任务。

📚 详细文档

参考资料

• 论文
• 推理代码（HF）
• 训练代码
• 官网

基准测试结果

我们使用旧版Megatron - LM训练模型，并将代码库适配到Huggingface以进行模型托管、复现和推理。

我们观察到Megatron和Huggingface代码库之间存在数值差异，但这些差异在预期的变化范围内。

为了复现和与其他模型进行比较，我们提供了Huggingface代码库和Megatron代码库的结果。

截至2024年9月17日，多模态基准测试的结果如下：

视觉语言基准测试

纯文本基准测试

模型架构

鲁棒性

在该数据集上训练的模型无法再生其训练数据：

1. 由于模型的输出仅为文本，因此它没有图像生成能力，无法再生训练期间看到的任何图像。
2. 模型无法再生训练文本数据：在训练期间，模型将文本和图像作为输入，模型输出（文本）取决于这两个输入。在推理期间，如果没有训练图像作为输入，模型将无法再现训练文本数据的任何部分。

输入

• 输入类型：文本、图像
• 输入格式：字符串、Pillow库支持的格式
• 输入维度：一维（1D）、二维（2D）
• 其他输入相关属性：最大令牌长度 = 128K 令牌

输出

• 输出类型：文本
• 输出格式：字符串
• 模型输出维度：1D
• 其他输出相关属性：无

软件集成

推理

模型版本

• v1.0 - D (NVLM - D)

训练、测试和评估数据集

预训练数据集

• 链接：见表4
• 数据收集方法：混合：自动、人工、合成、未知
• 标注方法：混合：自动、人工、合成、未知
• 属性：在图像标题、图像 - 文本对、自然图像、图表、文档、场景描述和数学推理上进行训练。

监督微调数据集

• 链接：见表6
• 数据收集方法：混合：自动、人工、合成、未知
• 标注方法：混合：自动、人工、合成、未知
• 属性：在图像标题、常识知识、图像 - 文本对、自然图像、图表、图表、文档、场景描述、科学图表、课程、教科书数据和问答对、视觉指令调整和数学推理上进行训练。

评估数据集

• 链接：见第6.1节“基准测试”
• 数据收集方法：人工
• 标注方法：人工
• 属性：在常识知识、视觉问答、图表理解、表格、光学字符识别和数学推理上进行评估。

联系方式

Wenliang Dai* (wdai@nvidia.com)、Nayeon Lee* (nayeonl@nvidia.com)、Boxin Wang* (boxinw@nvidia.com)、Zhuolin Yang* (zhuoliny@nvidia.com)、Wei Ping* (wping@nvidia.com)

*同等贡献

引用

@article{nvlm2024,
  title={NVLM: Open Frontier-Class Multimodal LLMs},
  author={Dai, Wenliang and Lee, Nayeon and Wang, Boxin and Yang, Zhuolin and Liu, Zihan and Barker, Jon and Rintamaki, Tuomas and Shoeybi, Mohammad and Catanzaro, Bryan and Ping, Wei},
  journal={arXiv preprint},
  year={2024}
}

伦理考量

NVIDIA认为可信AI是一项共同责任，我们已经制定了政策和实践，以支持广泛的AI应用开发。当按照我们的服务条款下载或使用时，开发者应与支持的模型团队合作，确保该模型满足相关行业和用例的要求，并解决不可预见的产品滥用问题。

请在此报告安全漏洞或NVIDIA AI相关问题。

📄 许可证

适用条款：许可协议 - 署名 - 非商业性使用 4.0 国际 - 知识共享。

附加信息：Qwen2 - 72B - Instruct的许可证 以及 InternViT - 6B - 448px - V1 - 2的MIT许可证。