Prometheus Vision 7b V1.0

🚀 Prometheus-Vision - 图像到文本的视觉语言模型

Prometheus-Vision 是首个专为评估目的设计的开源视觉语言模型（VLM）。它与 GPT - 4V 和人类评估者都有很高的相关性，这表明它有潜力作为 GPT - 4V 评估的低成本替代方案。

🚀 快速开始

Prometheus-Vision 有五个输入组件（图像、指令、待评估的响应、定制的评分标准、参考答案）和两个输出组件（语言反馈和评分决策）。你可以参考以下链接获取更多信息：

• 主页：https://kaistai.github.io/prometheus-vision/
• 仓库：https://github.com/kaistAI/prometheus-vision
• 论文：https://arxiv.org/abs/2401.06591
• 联系人：seongyun@kaist.ac.kr

✨ 主要特性

• 专为评估设计：是首个专注于评估的开源 VLM。
• 高相关性：与 GPT - 4V 和人类评估者高度相关。
• 多组件输入输出：支持五个输入组件和两个输出组件。

📦 安装指南

文档未提及安装步骤，暂不提供。

💻 使用示例

基础用法

在 transformers 中使用该模型的示例脚本如下，展示了如何在 GPU 上运行模型：

import argparse
import torch
import os
import json
from tqdm import tqdm
import shortuuid

from llava.constants import IMAGE_TOKEN_INDEX, DEFAULT_IMAGE_TOKEN, DEFAULT_IM_START_TOKEN, DEFAULT_IM_END_TOKEN
from llava.conversation import conv_templates, SeparatorStyle
from llava.model.builder import load_pretrained_model
from llava.utils import disable_torch_init
from llava.mm_utils import tokenizer_image_token, get_model_name_from_path, KeywordsStoppingCriteria

from PIL import Image
import math


def split_list(lst, n):
    """Split a list into n (roughly) equal-sized chunks"""
    chunk_size = math.ceil(len(lst) / n)  # integer division
    return [lst[i:i+chunk_size] for i in range(0, len(lst), chunk_size)]


def get_chunk(lst, n, k):
    chunks = split_list(lst, n)
    return chunks[k]


def eval_model(args):
    # Model
    disable_torch_init()
    model_path = 'kaist-ai/prometheus-vision-7b-v1.0'
    model_name = 'llava-v1.5'
    tokenizer, model, image_processor, context_len = load_pretrained_model(model_path, args.model_base, model_name)

    questions = [json.loads(q) for q in open(os.path.expanduser(args.question_file), "r")]
    questions = get_chunk(questions, args.num_chunks, args.chunk_idx)
    answers_file = os.path.expanduser(args.answers_file)
    os.makedirs(os.path.dirname(answers_file), exist_ok=True)
    ans_file = open(answers_file, "w")
    for line in tqdm(questions):
        idx = line["question_id"]
        image_file = line["image"]
        qs = line["text"]
        cur_prompt = qs
        if model.config.mm_use_im_start_end:
            qs = DEFAULT_IM_START_TOKEN + DEFAULT_IMAGE_TOKEN + DEFAULT_IM_END_TOKEN + '\n' + qs
        else:
            qs = DEFAULT_IMAGE_TOKEN + '\n' + qs

        conv = conv_templates[args.conv_mode].copy()
        conv.append_message(conv.roles[0], qs)
        conv.append_message(conv.roles[1], None)
        prompt = conv.get_prompt()

        input_ids = tokenizer_image_token(prompt, tokenizer, IMAGE_TOKEN_INDEX, return_tensors='pt').unsqueeze(0).cuda()

        image = Image.open(os.path.join(args.image_folder, image_file))
        image_tensor = image_processor.preprocess(image, return_tensors='pt')['pixel_values'][0]

        stop_str = conv.sep if conv.sep_style != SeparatorStyle.TWO else conv.sep2
        keywords = [stop_str]
        stopping_criteria = KeywordsStoppingCriteria(keywords, tokenizer, input_ids)

        with torch.inference_mode():
            output_ids = model.generate(
                input_ids,
                images=image_tensor.unsqueeze(0).half().cuda(),
                do_sample=True if args.temperature > 0 else False,
                temperature=args.temperature,
                top_p=args.top_p,
                num_beams=args.num_beams,
                # no_repeat_ngram_size=3,
                max_new_tokens=1024,
                use_cache=True)

        input_token_len = input_ids.shape[1]
        n_diff_input_output = (input_ids != output_ids[:, :input_token_len]).sum().item()
        if n_diff_input_output > 0:
            print(f'[Warning] {n_diff_input_output} output_ids are not the same as the input_ids')
        outputs = tokenizer.batch_decode(output_ids[:, input_token_len:], skip_special_tokens=True)[0]
        outputs = outputs.strip()
        if outputs.endswith(stop_str):
            outputs = outputs[:-len(stop_str)]
        outputs = outputs.strip()

        ans_id = shortuuid.uuid()
        ans_file.write(json.dumps({"question_id": idx,
                                   "prompt": cur_prompt,
                                   "text": outputs,
                                   "answer_id": ans_id,
                                   "model_id": model_name,
                                   "metadata": {}}) + "\n")
        ans_file.flush()
    ans_file.close()

if __name__ == "__main__":
    parser = argparse.ArgumentParser()
    parser.add_argument("--model-path", type=str, default="facebook/opt-350m")
    parser.add_argument("--model-base", type=str, default=None)
    parser.add_argument("--image-folder", type=str, default="")
    parser.add_argument("--question-file", type=str, default="tables/question.jsonl")
    parser.add_argument("--answers-file", type=str, default="answer.jsonl")
    parser.add_argument("--conv-mode", type=str, default="llava_v1")
    parser.add_argument("--num-chunks", type=int, default=1)
    parser.add_argument("--chunk-idx", type=int, default=0)
    parser.add_argument("--temperature", type=float, default=0.2)
    parser.add_argument("--top_p", type=float, default=None)
    parser.add_argument("--num_beams", type=int, default=1)
    args = parser.parse_args()

    eval_model(args)

高级用法

文档未提及高级用法示例，暂不提供。

📚 详细文档

模型描述

Prometheu-Vision 有两种不同的规模（7B 和 13B）。你可以在 此页面 查看 13B 规模的 VLM，也可以在 此页面 查看相关数据集。

提示格式

Prometheus-Vision 的输入需要 5 个组件：一张图像、一条指令、一个待评估的响应、一个评分标准和一个参考答案。你可以参考以下提示格式：

###任务描述:
给出一条指令（可能包含输入内容）、一个待评估的响应、一个得分为 5 的参考答案、一张图像和一个代表评估标准的评分标准。
1. 严格根据给定的评分标准，撰写一份详细的反馈，评估响应的质量，而不是进行一般性评估。
2. 撰写反馈后，给出一个 1 到 5 之间的整数评分。你应该参考评分标准。
3. 输出格式应如下所示："反馈: (为标准撰写反馈) [结果] (1 到 5 之间的整数)"
4. 请不要生成任何其他开头、结尾和解释内容。

###待评估的指令:
{instruction}

###待评估的响应:
{response}

###参考答案（得分 5）:
{reference_answer}

###评分标准:
[{criteria_description}]
得分 1: {score1_description}
得分 2: {score2_description}
得分 3: {score3_description}
得分 4: {score4_description}
得分 5: {score5_description}

###反馈: 

🔧 技术细节

文档未提供具体技术细节，暂不提供。

📄 许可证

Perception Collection 和 Prometheus-Vision 生成的数据需遵循 OpenAI 的使用条款。如果您怀疑有任何违规行为，请与我们联系。

📖 引用

如果您发现该模型有帮助，请考虑引用我们的论文：

@misc{lee2024prometheusvision,
      title={Prometheus-Vision: Vision-Language Model as a Judge for Fine-Grained Evaluation}, 
      author={Seongyun Lee and Seungone Kim and Sue Hyun Park and Geewook Kim and Minjoon Seo},
      year={2024},
      eprint={2401.06591},
      archivePrefix={arXiv},
      primaryClass={cs.CL}
}