Eagle X4 8B Plus

🚀 Eagle模型卡片

Eagle是一个以视觉为中心的高分辨率多模态大语言模型家族，通过融合多种视觉编码器和不同输入分辨率，增强了多模态大语言模型的感知能力。该模型在多模态大语言模型基准测试中表现出色，尤其在光学字符识别和文档理解等对分辨率敏感的任务上成果显著。

✨ 主要特性

• 多模态融合：采用基于通道拼接的“CLIP+X”融合方式，结合不同架构（ViT/卷积网络）和知识（检测/分割/光学字符识别/自监督学习）的视觉专家。
• 高分辨率支持：支持超过1K的输入分辨率，在多模态大语言模型基准测试中取得优异成绩，特别是在对分辨率敏感的任务上表现突出。

📚 详细文档

模型详情

论文引用

@article{shi2024eagle,
    title = {Eagle: Exploring The Design Space for Multimodal LLMs with Mixture of Encoders}, 
    author={Min Shi and Fuxiao Liu and Shihao Wang and Shijia Liao and Subhashree Radhakrishnan and De-An Huang and Hongxu Yin and Karan Sapra and Yaser Yacoob and Humphrey Shi and Bryan Catanzaro and Andrew Tao and Jan Kautz and Zhiding Yu and Guilin Liu},
    journal={arXiv:2408.15998},
    year={2024}
}

模型架构

推理示例

import os
import torch
import numpy as np
from eagle import conversation as conversation_lib
from eagle.constants import DEFAULT_IMAGE_TOKEN
from eagle.constants import IMAGE_TOKEN_INDEX, DEFAULT_IMAGE_TOKEN, DEFAULT_IM_START_TOKEN, DEFAULT_IM_END_TOKEN
from eagle.conversation import conv_templates, SeparatorStyle
from eagle.model.builder import load_pretrained_model
from eagle.utils import disable_torch_init
from eagle.mm_utils import tokenizer_image_token, get_model_name_from_path, process_images, KeywordsStoppingCriteria
from PIL import Image
import argparse
from transformers import TextIteratorStreamer
from threading import Thread

model_path = "NVEagle/Eagle-X5-13B-Chat"
conv_mode = "vicuna_v1"
image_path = "assets/georgia-tech.jpeg"
input_prompt = "Describe this image."

model_name = get_model_name_from_path(model_path)
tokenizer, model, image_processor, context_len = load_pretrained_model(model_path,None,model_name,False,False)
if model.config.mm_use_im_start_end:
    input_prompt = DEFAULT_IM_START_TOKEN + DEFAULT_IMAGE_TOKEN + DEFAULT_IM_END_TOKEN + '\n' + input_prompt
else:
    input_prompt = DEFAULT_IMAGE_TOKEN + '\n' + input_prompt

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

image = Image.open(image_path).convert('RGB')
image_tensor = process_images([image], image_processor, model.config)[0]
input_ids = tokenizer_image_token(prompt, tokenizer, IMAGE_TOKEN_INDEX, return_tensors='pt')

input_ids = input_ids.to(device='cuda', non_blocking=True)
image_tensor = image_tensor.to(dtype=torch.float16, device='cuda', non_blocking=True)

with torch.inference_mode():
    output_ids = model.generate(
        input_ids.unsqueeze(0),
        images=image_tensor.unsqueeze(0),
        image_sizes=[image.size],
        do_sample=True,
        temperature=0.2,
        top_p=0.5,
        num_beams=1,
        max_new_tokens=256,
        use_cache=True)

outputs = tokenizer.batch_decode(output_ids, skip_special_tokens=True)[0].strip()
print(f"Image:{image_path} \nPrompt:{input_prompt} \nOutput:{outputs}")

预期用途

• 主要预期用途：Eagle的主要用途是用于大型多模态模型和聊天机器人的研究。
• 主要预期用户：该模型的主要预期用户是计算机视觉、自然语言处理、机器学习和人工智能领域的研究人员和爱好者。

伦理考量

NVIDIA认为可信人工智能是一项共同责任，我们已经制定了相关政策和实践，以支持广泛的人工智能应用开发。当开发者按照我们的服务条款下载或使用该模型时，应与内部模型团队合作，确保该模型符合相关行业和用例的要求，并解决可能出现的产品滥用问题。

📄 许可证

• 代码根据LICENSE文件中的Apache 2.0许可证发布。
• 预训练权重根据CC-BY-NC-SA-4.0许可证发布。
• 该服务仅供研究预览，仅用于非商业用途，并受以下许可证和条款的约束：
  • LLaMA的模型许可证
  • OpenAI生成数据的使用条款
  • 训练期间使用的每个数据集的许可证

有关模型的问题或建议发送地址： https://github.com/NVlabs/Eagle/issues