Heron NVILA Lite 33B

🚀 Heron-NVILA-Lite-33B

Heron-NVILA-Lite-33B 是一个基于 NVILA-Lite 架构、为日语训练的视觉语言模型。它能够处理图像和文本信息，在多模态交互方面具有出色的表现。

🚀 快速开始

安装依赖

# 我已确认 4.46.0 和 4.49.0 版本也可以正常使用。其他版本的 Transformer 可能也适用，但我尚未进行测试。
pip install transformers==4.45.0 accelerate opencv-python torchvision einops pillow
pip install git+https://github.com/bfshi/scaling_on_scales.git

使用示例

from transformers import AutoConfig, AutoModel

model_path = "turing-motors/Heron-NVILA-Lite-33B"

# 你可以使用配置文件
config = AutoConfig.from_pretrained(model_path, trust_remote_code=True)
model = AutoModel.from_config(config, trust_remote_code=True, device_map="auto")

# 或者直接从预训练模型加载
model = AutoModel.from_pretrained(model_path, trust_remote_code=True, device_map="auto")

# 显示聊天模板
print(model.tokenizer.chat_template)

# 仅使用文本生成结果的示例
response = model.generate_content(["こんにちは"])
print(response)
print("---" * 40)

# 使用文本 + 图像生成结果的示例
from PIL import Image
import requests
url = "http://images.cocodataset.org/val2017/000000039769.jpg"
image = Image.open(requests.get(url, stream=True).raw).convert("RGB")
response = model.generate_content([image, "画像を説明してください。"])
print(response)
print("---" * 40)

# 使用生成配置生成结果的示例
from PIL import Image
import requests
from transformers import GenerationConfig
generation_config = {
    "max_new_tokens": 512,
    "temperature": 0.5,
    "do_sample": True,
}
generation_config = GenerationConfig(**generation_config)
url = "http://images.cocodataset.org/val2017/000000039769.jpg"
image = Image.open(requests.get(url, stream=True).raw).convert("RGB")
response = model.generate_content(
    [image, "画像を説明してください。"],
    generation_config=generation_config
)
print(response)
print("---" * 40)

# 使用文本 + 图像 + 文本 + 图像 + 文本生成结果的示例
from PIL import Image
import requests
url_list = [
    "https://images.unsplash.com/photo-1694831404826-3400c48c188d?q=80&w=2070&auto=format&fit=crop&ixlib=rb-4.0.3&ixid=M3wxMjA3fDB8MHxwaG90by1wYWdlfHx8fGVufDB8fHx8fA%3D%3D",
    "https://images.unsplash.com/photo-1693240876439-473af88b4ed7?q=80&w=1974&auto=format&fit=crop&ixlib=rb-4.0.3&ixid=M3wxMjA3fDB8MHxwaG90by1wYWdlfHx8fGVufDB8fHx8fA%3D%3D"
]
images = [
   Image.open(requests.get(url, stream=True).raw).convert("RGB") for url in url_list
]
response = model.generate_content([
    images[0],
    "これは日本の画像です",
    images[1],
    "これはオーストリアの画像です",
    "各画像の違いを説明して"])
print(response)
print("---" * 40)

✨ 主要特性

• 多语言支持：支持日语和英语，适用于不同语言环境的用户。
• 多模态处理：能够处理图像和文本信息，实现图像与文本的交互。
• 基于先进架构：基于 NVILA-Lite 架构，具有出色的性能。

📚 详细文档

模型概述

训练总结

评估

使用 llm-jp-eval-mm 进行评估。除 Heron-NVILA-Lite 和 Sarashina2-Vision-14B 之外的模型得分取自 2025 年 3 月的 llm-jp-eval-mm 排行榜 和 Asagi 网站。Heron-NVILA-Lite 和 Sarashina2-Vision-14B 使用 "gpt-4o-2024-05-13" 作为评估标准进行评估。Sarashina2-Vision-14B 在 官方博客 上使用 "gpt-4o-2024-08-06" 进行评估。请注意，由于评估条件不同，Sarashina2-Vision-14B 的结果仅作参考。

🔧 技术细节

此模型基于 NVILA-Lite 架构，结合了视觉编码器 siglip2-so400m-patch16-512 和大语言模型 Qwen2.5-32B-Instruct。通过多阶段的训练，使用了多种数据源，以提高模型在多模态任务中的性能。

⚠️ 风险与限制

此模型仍处于实验阶段，尚未针对道德合规性或法律标准进行全面校准。在敏感应用中使用时请谨慎。

📄 许可证

• 模型权重遵循 Apache License 2.0 许可协议。
• 由于包含 GPT-4 生成的合成数据，用户必须遵守 OpenAI 使用条款。

🙏 致谢

此模型基于新能源产业技术综合开发机构（NEDO）资助的项目 JPNP20017 的研究成果。同时，感谢以下开源仓库的贡献：

• VILA
• llm-jp-eval-mm