Xinyuan VL 2B

🚀 鑫源多模态大模型Xinyuan-VL-2B

鑫源多模态大模型Xinyuan-VL-2B是Cylingo集团推出的一款端侧高性能多模态大模型。它基于Qwen/Qwen2-VL-2B-Instruct进行微调，使用了超500万的多模态数据以及少量纯文本数据进行训练。该模型在多个权威基准测试中表现出色。

🚀 快速开始

为了借助开源社区蓬勃发展的生态，我们选择在Qwen/Qwen2-VL-2B-Instruct的基础上进行微调，从而形成了我们的Cylingo/Xinyuan-VL-2B。因此，使用Cylingo/Xinyuan-VL-2B的方式与使用Qwen/Qwen2-VL-2B-Instruct一致。

💻 使用示例

基础用法

from transformers import Qwen2VLForConditionalGeneration, AutoTokenizer, AutoProcessor
from qwen_vl_utils import process_vision_info

# default: Load the model on the available device(s)
model = Qwen2VLForConditionalGeneration.from_pretrained(
    "Cylingo/Xinyuan-VL-2B", torch_dtype="auto", device_map="auto"
)

# default processer
processor = AutoProcessor.from_pretrained("Cylingo/Xinyuan-VL-2B")

messages = [
    {
        "role": "user",
        "content": [
            {
                "type": "image",
                "image": "https://qianwen-res.oss-cn-beijing.aliyuncs.com/Qwen-VL/assets/demo.jpeg",
            },
            {"type": "text", "text": "Describe this image."},
        ],
    }
]

# Preparation for inference
text = processor.apply_chat_template(
    messages, tokenize=False, add_generation_prompt=True
)
image_inputs, video_inputs = process_vision_info(messages)
inputs = processor(
    text=[text],
    images=image_inputs,
    videos=video_inputs,
    padding=True,
    return_tensors="pt",
)
inputs = inputs.to("cuda")

# Inference: Generation of the output
generated_ids = model.generate(**inputs, max_new_tokens=128)
generated_ids_trimmed = [
    out_ids[len(in_ids) :] for in_ids, out_ids in zip(inputs.input_ids, generated_ids)
]
output_text = processor.batch_decode(
    generated_ids_trimmed, skip_special_tokens=True, clean_up_tokenization_spaces=False
)
print(output_text)

🔧 评估

我们使用VLMEvalKit工具包对**鑫源多模态大模型XinYuan-VL-2B** 在以下基准测试中进行了评估，发现鑫源多模态大模型XinYuan-VL-2B 表现优于阿里云发布的Qwen/Qwen2-VL-2B-Instruct，以及在开源社区有重大影响力的其他参数规模相当的模型。

你可以在opencompass/open_vlm_leaderboard中查看具体结果：

📄 许可证

本项目采用Apache-2.0许可证。