Chemvlm 8B

🚀 ChemVLM-8B：用于化学领域的多模态大语言模型

这是ChemVLM的80亿参数版本，它是一款专为化学应用设计的多模态大语言模型，能够有效处理化学领域的文本和视觉信息，为化学研究和应用提供强大支持。

🚀 快速开始

安装依赖库

使用以下命令安装所需的库：

pip install transformers>=4.37.0 sentencepiece einops timm accelerate>=0.26.0

同时，请确保已经安装了 torch 和 torchvision。

代码示例

from transformers import AutoTokenizer, AutoModelforCasualLM
import torch
import torchvision.transforms as T
import transformers
from torchvision.transforms.functional import InterpolationMode


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

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=6, 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=6):
    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


tokenizer = AutoTokenizer.from_pretrained('AI4Chem/ChemVLM-8B', trust_remote_code=True)
model = AutoModelForCausalLM.from_pretrained(
    "AI4Chem/ChemVLM-8B",
    torch_dtype=torch.bfloat16,
    low_cpu_mem_usage=True,
    trust_remote_code=True
).cuda().eval()

query = "Please describe the molecule in the image."
image_path = "your image path"
pixel_values = load_image(image_path, max_num=6).to(torch.bfloat16).cuda()

gen_kwargs = {"max_length": 1000, "do_sample": True, "temperature": 0.7, "top_p": 0.9}

response = model.chat(tokenizer, pixel_values, query, gen_kwargs)
print(response)

✨ 主要特性

• 多模态信息处理：能够同时处理文本和视觉信息，包括分子结构、反应和化学试题等。
• 双语训练：在精心策划的双语多模态数据集上进行训练，增强了对不同语言化学信息的理解能力。
• 全面评估：针对化学光学字符识别（OCR）、多模态化学推理（MMCR）和多模态分子理解等任务开发了三个数据集进行全面评估。

📚 详细文档

论文

ChemVLM：探索多模态大语言模型在化学领域的力量

摘要

大语言模型（LLMs）已经取得了显著成功，并已应用于包括化学在内的各个科学领域。然而，许多化学任务需要处理视觉信息，而现有的化学大语言模型无法成功处理这些信息。这使得在化学领域对能够整合多模态信息的模型的需求日益增长。在本文中，我们介绍了 ChemVLM，这是一个专门为化学应用设计的开源化学多模态大语言模型。ChemVLM在精心策划的双语多模态数据集上进行训练，增强了其理解文本和视觉化学信息的能力，包括分子结构、反应和化学试题。我们开发了三个数据集，分别针对化学光学字符识别（OCR）、多模态化学推理（MMCR）和多模态分子理解任务进行全面评估。我们在各种任务上对ChemVLM与一系列开源和专有多模态大语言模型进行了基准测试。实验结果表明，ChemVLM在所有评估任务中都取得了有竞争力的性能。我们的模型可以在https://huggingface.co/AI4Chem/ChemVLM-26B找到。

模型描述

ChemVLM的架构基于InternVLM，并结合了视觉和语言处理组件。该模型在包含化学信息的双语多模态数据集上进行训练，这些信息包括分子结构、反应和化学试题。有关架构的更多详细信息可以在Github README中找到。

引用

@inproceedings{li2025chemvlm,
  title={Chemvlm: Exploring the power of multimodal large language models in chemistry area},
  author={Li, Junxian and Zhang, Di and Wang, Xunzhi and Hao, Zeying and Lei, Jingdi and Tan, Qian and Zhou, Cai and Liu, Wei and Yang, Yaotian and Xiong, Xinrui and others},
  booktitle={Proceedings of the AAAI Conference on Artificial Intelligence},
  volume={39},
  number={1},
  pages={415--423},
  year={2025}
}

代码库和数据集

代码库和数据集可以在https://github.com/AI4Chem/ChemVlm找到。

🔧 技术细节

模型架构

ChemVLM的架构基于InternVLM，结合了视觉和语言处理组件，能够有效处理化学领域的多模态信息。

训练数据

模型在包含化学信息的双语多模态数据集上进行训练，这些信息包括分子结构、反应和化学试题，增强了模型对化学信息的理解能力。

评估数据集

针对化学光学字符识别（OCR）、多模态化学推理（MMCR）和多模态分子理解等任务开发了三个数据集进行全面评估。

📄 许可证

本项目采用Apache 2.0许可证。

📊 模型性能

80亿参数模型在几个任务上的表现