Visionreasoner 7B

🚀 VisionReasoner-7B

VisionReasoner-7B是一个图像文本到文本的模型，引入了解耦架构，由推理模型和分割模型组成，可有效解读用户意图并生成像素级掩码。

🚀 快速开始

VisionReasoner-7B是一个图像文本到文本的模型，它引入了一种解耦架构，由推理模型和分割模型组成。推理模型用于解读用户意图，生成明确的推理链和位置提示，分割模型则根据这些提示生成像素级掩码。

from transformers import AutoModelForCausalLM, AutoTokenizer
import torch

# load model
model = AutoModelForCausalLM.from_pretrained("Ricky06662/VisionReasoner-7B")
tokenizer = AutoTokenizer.from_pretrained("Ricky06662/VisionReasoner-7B")

✨ 主要特性

该模型引入了解耦架构，包含推理模型和分割模型。推理模型能够解读用户意图、生成明确的推理链以及位置提示，而分割模型会依据这些提示生成像素级掩码。

💻 使用示例

基础用法

from transformers import AutoModelForCausalLM, AutoTokenizer
import torch

# load model
model = AutoModelForCausalLM.from_pretrained("Ricky06662/VisionReasoner-7B")
tokenizer = AutoTokenizer.from_pretrained("Ricky06662/VisionReasoner-7B")

📄 许可证

本项目采用Apache-2.0许可证。

📚 详细文档

• 论文
• 代码：https://github.com/dvlab-research/VisionReasoner
• 项目页面：https://github.com/dvlab-research/VisionReasoner

📦 信息表格