Xgen Mm Phi3 Mini Instruct Dpo R V1.5

🚀 xGen-MM 多模态大模型

xGen-MM 是Salesforce AI Research开发的一系列最新基础多模态大模型（LMMs）。该系列在 BLIP 系列的成功设计基础上进行了改进，融入了基础增强功能，确保了更强大、更卓越的基础。这些模型在高质量图像字幕数据集和交错的图像 - 文本数据上进行了大规模训练。

🚀 快速开始

若要使用我们的模型，请查看 推理笔记本 中的示例代码。我们还提供了 批量推理 的示例脚本。

✨ 主要特性

• 先进架构：基于 BLIP 系列成功设计并改进，具备更强大基础。
• 大规模训练：在高质量图像字幕数据集和交错图像 - 文本数据上进行大规模训练。
• 多模型选择：在v1.5（2024年8月）版本中，提供了一系列XGen-MM模型，包括 xgen-mm-phi3-mini-instruct-interleave-r-v1.5、xgen-mm-phi3-mini-base-r-v1.5、xgen-mm-phi3-mini-instruct-singleimg-r-v1.5 和 xgen-mm-phi3-mini-instruct-dpo-r-v1.5。

📚 详细文档

模型介绍

xGen-MM 是一系列最新的基础多模态大模型（LMMs），由Salesforce AI Research开发。该系列在 BLIP 系列的成功设计基础上进行了改进，融入了基础增强功能，确保了更强大、更卓越的基础。这些模型在高质量图像字幕数据集和交错的图像 - 文本数据上进行了大规模训练。

在v1.5（2024年8月）版本中，我们推出了一系列XGen-MM模型，具体如下：

• 🤗 xGen-MM-instruct-interleave (我们的主要指令模型)：xgen-mm-phi3-mini-instruct-interleave-r-v1.5
  • 该模型在单图像和多图像基准测试中，整体得分均高于 xGen-MM-instruct。
• 🤗 xGen-MM-base：xgen-mm-phi3-mini-base-r-v1.5
• 🤗 xGen-MM-instruct：xgen-mm-phi3-mini-instruct-singleimg-r-v1.5
• 🤗 xGen-MM-instruct-dpo：xgen-mm-phi3-mini-instruct-dpo-r-v1.5

更多详细信息，请查看我们的 技术报告、微调代码 和项目页面（即将推出）。

DPO模型结果

(* = 我们的评估)

我们在下面展示了一些定性示例，这些示例体现了我们模型的安全特性，这些特性补充了模型的多模态理解能力。

可复现性

我们的评估基于 open - compass/VLMEvalKit 实现。我们将向该仓库提交一个PR，以支持XGen-MM评估。

偏差、风险、局限性和伦理考量

主要数据来源来自互联网，包括网页、图像素材网站和研究社区发布的精选数据集。由于已知的CSAM问题，我们排除了某些数据，如LAION。 该模型可能受到原始数据源的偏差影响，以及大语言模型和商业API的偏差影响。 我们强烈建议用户在应用于下游任务之前，评估模型的安全性和公平性。

伦理考量

此版本仅用于支持学术论文的研究目的。我们的模型、数据集和代码并非专门为所有下游用途而设计或评估。我们强烈建议用户在部署此模型之前，评估并解决与准确性、安全性和公平性相关的潜在问题。我们鼓励用户考虑人工智能的常见局限性，遵守适用法律，并在选择用例时采用最佳实践，特别是在错误或滥用可能对人们的生活、权利或安全产生重大影响的高风险场景中。有关用例的更多指导，请参考我们的AUP和AI AUP。

📦 安装指南

如果缺少任何包，请执行以下命令：

pip install torch==2.2.1 torchvision==0.17.1 torchaudio==2.2.1 --index-url https://download.pytorch.org/whl/cu121
pip install open_clip_torch==2.24.0
pip install einops
pip install einops-exts
pip install transformers==4.41.1

📄 许可证

我们的代码和权重遵循 Apache 2.0 许可证发布。

🔧 技术细节

引用信息

@misc{blip3-xgenmm,
  author          = {Le Xue, Manli Shu, Anas Awadalla, Jun Wang, An Yan, Senthil Purushwalkam, Honglu Zhou, Viraj Prabhu, Yutong Dai, Michael S Ryoo, Shrikant Kendre, Jieyu Zhang, Can Qin, Shu Zhang, Chia-Chih Chen, Ning Yu, Juntao Tan, Tulika Manoj Awalgaonkar, Shelby Heinecke, Huan Wang, Yejin Choi, Ludwig Schmidt, Zeyuan Chen, Silvio Savarese, Juan Carlos Niebles, Caiming Xiong, Ran Xu},
  title           = {xGen-MM (BLIP-3): A Family of Open Large Multimodal Models},
  year            = {2024},
  eprint          = {2408.08872},
  archivePrefix   = {arXiv},
  primaryClass    = {cs.CV},
  url             = {https://arxiv.org/abs/2408.08872}, 
}

注意事项

⚠️ 重要提示

模型可能受到原始数据源的偏差影响，以及大语言模型和商业API的偏差影响。我们强烈建议用户在应用于下游任务之前，评估模型的安全性和公平性。

💡 使用建议

此版本仅用于支持学术论文的研究目的。在部署此模型之前，请评估并解决与准确性、安全性和公平性相关的潜在问题。在选择用例时，特别是在高风险场景中，请考虑人工智能的常见局限性，遵守适用法律，并采用最佳实践。