LLaVA-NeXT

LLaVA-NeXT

大规模开源多模态模型提升视觉语言能力

LLaVA-NeXT是一个开源的大规模多模态模型项目,致力于提升视觉语言交互能力。该项目支持多图像、视频和3D任务的统一处理,在多个基准测试中表现卓越。LLaVA-NeXT提供了多个模型变体,包括支持高分辨率输入和视频处理的版本,以及基于不同大语言模型的实现。此外,项目还开源了训练数据和代码,为研究人员和开发者提供了宝贵资源。

LLaVA-NeXT多模态模型视觉语言模型AI助手大语言模型Github开源项目
<p align="center" width="100%"> <img src="https://yellow-cdn.veclightyear.com/835a84d5/036b22fd-6cb0-4f91-8bb5-21ac7204f498.png" width="80%" height="80%"> </p>

LLaVA-NeXT:开放大型多模态模型

Static Badge llava_next-博客

llava_onevision-演示 llava_next-交错演示 llava_next-视频演示

llava_onevision-检查点 llava_next-交错检查点 llava_next-视频检查点 llava_next-图像检查点

发布说明

  • [2024/08/06] 🔥 LLaVA-OneVision发布。新的0.5/7/72B模型在多个单图像、多图像和视频基准测试中达到了最先进的水平,性能可与最强大的商业模型相媲美。我们在总共47个基准测试上进行了评估,以全面反映我们模型在不同领域的真实能力。我们还发布了我们的训练代码,以及单图像/多图像数据混合集LLaVA-OneVision Data!我们的视频部分数据将在下一次视频专用模型升级时发布,敬请期待!我们的训练代码可以直接用于单图像、多图像和视频数据的训练。

    • 查看我们的论文了解更多细节,并了解我们关于训练一个全能模型的见解。
    • 查看我们的LLaVA-OneVision文档获取推理和评估指南。
    • 查看我们的训练脚本开始在单图像/多图像/视频数据上训练模型。
  • [2024/07/16] 🔥 LLaVA-NeXT-Video 已升级。新的32B模型在多个视频基准测试中达到了最佳开源性能,包括Video-MME。详情请参考此页面,演示请参考llava_next-video_demo

  • [2024/06/23] 🔥 LLaVA-NeXT-Interleave 已发布。我们利用图像-文本交错格式统一了多图像、视频和3D任务于一个LLM中,并在广泛的基准测试中实现了最先进的性能。查看论文博客检查点以了解新功能和改进的性能!我们已发布0.5b、7b和7b-dpo模型。

  • [2024/05/25] 🔥 想知道"除了数据之外,还有什么影响视觉指令调优?"我们的新博客总结了经验性探索,以消融除指令数据本身之外的各种设计选择在改进LMM方面的影响。同时,开源使用LLaVA-NeXT-34B重新标注的高质量数据:[COCO] [LCS] [CC3M]

    • 架构(LMM与视觉编码器)
    • 视觉表示(分辨率与标记数量)
    • 训练策略(高质量数据与可训练模块)
  • [2024年5月10日] 🔥 LLaVA-NeXT(更强大)模型发布,支持更强大的大语言模型,包括LLama-3(8B)和Qwen-1.5(72B/110B)。查看[博客]和[模型检查点]以了解性能提升!

  • [2024年5月10日] 🔥 LLaVA-NeXT(视频)发布。仅用图像训练的LLaVA-NeXT模型在零样本模态迁移下表现出对视频任务的惊人能力。使用AI反馈在视频上进行DPO训练可以带来显著改进。[博客],[模型检查点]和[sglang]

  • [2024年1月30日] 🔥 LLaVA-NeXT发布!在LLaVA-1.5的基础上进一步扩展,LLaVA-NeXT-34B在某些基准测试中超越了Gemini Pro。它现在可以处理4倍的像素量,并执行更多任务/应用。查看博客文章,体验演示!模型可在模型库中获取。训练/评估数据和脚本即将推出。

<details> <summary>更多</summary>
  • [2024年3月10日] 🔥 发布LMMs-Eval,这是我们在开发LLaVA-NeXT时使用的高效评估流程。它支持在数十个公共数据集上评估大语言模型,并允许添加新数据集,大大加快了新大语言模型的开发速度。[博客] [代码库]

  • [2023年11月10日] LLaVA-Plus发布:学习使用工具创建多模态代理,LLaVA-Plus(可插入和学习使用技能的LLaVA)。[项目页面] [演示] [代码] [论文]

  • [2023年11月2日] LLaVA-Interactive发布:体验人机多模态交互的未来,提供图像聊天、分割、生成和编辑的一体化演示。[项目页面] [演示] [代码] [论文]

  • [2023年10月26日] 🔥 使用LoRA的LLaVA-1.5达到了与全模型微调相当的性能,同时降低了GPU内存需求(检查点脚本)。我们还提供了一份文档,介绍如何使用LoRA在自己的数据集上微调LLaVA-1.5。

  • [2023年10月12日] 查看由ETRI创建的韩语LLaVA(Ko-LLaVA),ETRI慷慨地支持了我们的研究![🤗 演示]

  • [2023年10月5日] 🔥 LLaVA-1.5发布!在11个基准测试中达到最先进水平,仅对原始LLaVA进行简单修改,利用所有公开数据,在单个8-A100节点上仅需约1天完成训练,并超越了如Qwen-VL-Chat等使用十亿级数据的方法。查看技术报告,体验演示!模型可在模型库中获取。LLaVA-1.5的训练数据和脚本已在此处发布,评估脚本已在此处发布!

  • [2023年9月26日] LLaVA通过人类反馈的强化学习(RLHF)得到改进,以提高事实依据并减少幻觉。查看项目[LLavA-RLHF]中的新SFT和RLHF检查点

  • [2023年9月22日] LLaVA被NeurIPS 2023接受为口头报告LLaVA-Med被NeurIPS 2023数据集和基准测试track接受为聚焦报告

  • [2023年11月6日] 支持Intel独立显卡和CPU平台。更多详情在此。

  • [2023年10月12日] LLaVA现在在llama.cpp中得到支持,支持4位/5位量化!

  • [2023年10月11日] LLaVA-1.5的训练数据和脚本已在此处发布,评估脚本已在此处发布!

  • [2023年10月10日] Roboflow深度探讨:LLaVA-1.5的第一印象。

  • [2023/09/20] 我们在一份说明中总结了我们对训练33B和65B LLaVA模型的实证研究。此外,如果您对多模态基础模型的全面回顾、演变和趋势感兴趣,请查阅我们最近发表的综述论文《多模态基础模型:从专家到通用助手》

<p align="center"> <img src="https://yellow-cdn.veclightyear.com/835a84d5/e5ecf4d5-16a7-49f8-a997-5849e32e5efd.jpeg?raw=true" width=50%/> </p> - [2023/07/19] 🔥 我们发布了一次重大升级,包括支持LLaMA-2、LoRA训练、4/8位推理、更高分辨率(336x336)等众多新功能。我们发布了[LLaVA Bench](https://github.com/haotian-liu/LLaVA/blob/main/docs/LLaVA_Bench.md)用于基准测试开放式视觉对话,其中包含Bard和Bing-Chat的结果。我们还支持并验证了使用RTX 3090和RTX A6000进行训练。请查看[基于LLaMA-2的LLaVA](https://github.com/haotian-liu/LLaVA/blob/main/docs/LLaVA_from_LLaMA2.md),以及我们的[模型库](https://github.com/haotian-liu/LLaVA/blob/main/docs/MODEL_ZOO.md)!
  • [2023/06/26] CVPR 2023教程:大型多模态模型:构建和超越多模态GPT-4!请查看[幻灯片] [笔记] [YouTube] [哔哩哔哩]。

  • [2023/06/11] 我们发布了最受欢迎功能的预览版:DeepSpeed和LoRA支持!请查看此处的文档。

  • [2023/06/01] 我们发布了LLaVA-Med:生物医学大型语言和视觉助手,这是朝着构建具有GPT-4级能力的生物医学领域大型语言和视觉模型迈出的一步。查看论文项目页面

  • [2023/05/06] 我们正在发布LLaVA-Lighting-MPT-7B-preview,基于MPT-7B-Chat!详情请见此处

  • [2023/05/02] 🔥 我们正在发布LLaVA-Lighting!只需40美元,3小时内即可训练出一个轻量级的多模态GPT-4!详情请见此处

  • [2023/04/27] 感谢社区的努力,LLaVA-13B的4位量化版本允许您在只有12GB显存的GPU上运行!在这里尝试一下。

  • [2023/04/17] 🔥 我们发布了LLaVA:大型语言和视觉助手。我们提出了视觉指令微调,旨在构建具有GPT-4级能力的大型语言和视觉模型。查看论文演示

使用和许可声明:本项目使用了某些受其原始许可约束的数据集和检查点。用户必须遵守这些原始许可的所有条款和条件,包括但不限于数据集的OpenAI使用条款和使用该数据集训练的基础语言模型检查点的特定许可(例如,LLaMA-2和Vicuna-v1.5的Llama-1/2社区许可通义千问研究许可协议Llama-3研究许可)。本项目不施加任何超出原始许可规定的额外限制。此外,提醒用户确保其对数据集和检查点的使用符合所有适用法律和法规。

模型和脚本

安装

1. 克隆此仓库并进入LLaVA文件夹:

git clone https://github.com/LLaVA-VL/LLaVA-NeXT cd LLaVA-NeXT

2. 安装推理包:

conda create -n llava python=3.10 -y conda activate llava pip install --upgrade pip # 启用PEP 660支持。 pip install -e ".[train]"

项目导航

请查看以下页面获取更多推理和评估详情。

- LLaVA-NeXT:更强大的LLM增强了野外多模态能力

- LLaVA-NeXT:强大的零样本视频理解模型

- LLaVA-NeXT:在大型多模态模型中处理多图像、视频和3D

使用SGLang加速推理和部署

我们使用SGLang来加速LLaVA-NeXT的推理和部署。您可以使用SGLang将LLaVA-NeXT作为后端API服务。

准备环境: 按照sglang中的说明进行操作

LLaVA-NeXT(图像)

sglang/examples/usage/llava查看HTTP Post/Get和SRT用法

LLaVA-NeXT(视频)

在(K)个节点上启动和运行

  • 进入sglang项目
    cd PATH_TO/sglang
    
  • 第一个节点:
    bash examples/usage/llava_video/srt_example_llava_v.sh K 0 YOUR_VIDEO_PATH YOUR_MODEL_PATH FRAMES_PER_VIDEO (例如:bash examples/usage/llava_video/srt_example_llava_v.sh K 0 examples/usage/llava_video/videos/Q98Z4OTh8RwmDonc.mp4 lmms-lab/LLaVA-NeXT-Video-7B-DPO 16)
  • 第二个节点:
    bash examples/usage/llava_video/srt_example_llava_v.sh K 1 YOUR_VIDEO_PATH YOUR_MODEL_PATH FRAMES_PER_VIDEO
  • 第K个节点:
    bash examples/usage/llava_video/srt_example_llava_v.sh K K-1 YOUR_VIDEO_PATH YOUR_MODEL_PATH FRAMES_PER_VIDEO

引用

如果您发现它对您的研究和应用有用,请使用以下BibTeX引用相关论文/博客:

@article{li2024llava, title={LLaVA-NeXT-Interleave: 大型多模态模型中处理多图像、视频和3D的方法}, author={Li, Feng and Zhang, Renrui and Zhang, Hao and Zhang, Yuanhan and Li, Bo and Li, Wei and Ma, Zejun and Li, Chunyuan}, journal={arXiv preprint arXiv:2407.07895}, year={2024} } @misc{li2024llavanext-ablations, title={LLaVA-NeXT:除数据外还有什么影响视觉指令调优?}, url={https://llava-vl.github.io/blog/2024-05-25-llava-next-ablations/}, author={Li, Bo and Zhang, Hao and Zhang, Kaichen and Guo, Dong and Zhang, Yuanhan and Zhang, Renrui and Li, Feng and Liu, Ziwei and Li, Chunyuan}, month={五月}, year={2024} } @misc{li2024llavanext-strong, title={LLaVA-NeXT:更强大的LLMs在实际应用中增强多模态能力}, url={https://llava-vl.github.io/blog/2024-05-10-llava-next-stronger-llms/}, author={Li, Bo and Zhang, Kaichen and Zhang, Hao and Guo, Dong and Zhang, Renrui and Li, Feng and Zhang, Yuanhan and Liu, Ziwei and Li, Chunyuan}, month={五月}, year={2024} } @misc{zhang2024llavanext-video, title={LLaVA-NeXT:一个强大的零样本视频理解模型}, url={https://llava-vl.github.io/blog/2024-04-30-llava-next-video/}, author={Zhang, Yuanhan and Li, Bo and Liu, haotian and Lee, Yong jae and Gui, Liangke and Fu, Di and Feng, Jiashi and Liu, Ziwei and Li, Chunyuan}, month={四月}, year={2024} } @misc{liu2024llavanext, title={LLaVA-NeXT:改进的推理、OCR和世界知识}, url={https://llava-vl.github.io/blog/2024-01-30-llava-next/}, author={Liu, Haotian and Li, Chunyuan and Li, Yuheng and Li, Bo and Zhang, Yuanhan and Shen, Sheng and Lee, Yong Jae}, month={一月}, year={2024} } @misc{liu2023improvedllava, title={通过视觉指令调优改进基线}, author={Liu, Haotian and Li, Chunyuan and Li, Yuheng and Lee, Yong Jae}, publisher={arXiv:2310.03744}, year={2023}, } @misc{liu2023llava, title={视觉指令调优}, author={Liu, Haotian and Li, Chunyuan and Wu, Qingyang and Lee, Yong Jae}, publisher={NeurIPS}, year={2023}, }

致谢

  • Vicuna:我们基于的代码库,以及我们的基础模型Vicuna-13B,它具有惊人的语言能力!
  • LLaVA-NeXT项目目前由团队和我们的贡献者共同维护(按姓氏首字母排序):Bo LiDong GuoFeng LiHao ZhangKaichen ZhangRenrui ZhangYuanhan Zhang,由Chunyuan Li领导,并在Haotian Liu的指导和帮助下进行。
  • lmms-eval框架及其核心贡献者,包括Peiyuan Zhang、Fanyi Pu、Joshua Adrian Cahyono和Kairui Hu,感谢他们在评估方面的支持。

相关项目

未来项目想法,请查看:

编辑推荐精选

AEE

AEE

AI Excel全自动制表工具

AEE 在线 AI 全自动 Excel 编辑器,提供智能录入、自动公式、数据整理、图表生成等功能,高效处理 Excel 任务,提升办公效率。支持自动高亮数据、批量计算、不规则数据录入,适用于企业、教育、金融等多场景。

UI-TARS-desktop

UI-TARS-desktop

基于 UI-TARS 视觉语言模型的桌面应用,可通过自然语言控制计算机进行多模态操作。

UI-TARS-desktop 是一款功能强大的桌面应用,基于 UI-TARS(视觉语言模型)构建。它具备自然语言控制、截图与视觉识别、精确的鼠标键盘控制等功能,支持跨平台使用(Windows/MacOS),能提供实时反馈和状态显示,且数据完全本地处理,保障隐私安全。该应用集成了多种大语言模型和搜索方式,还可进行文件系统操作。适用于需要智能交互和自动化任务的场景,如信息检索、文件管理等。其提供了详细的文档,包括快速启动、部署、贡献指南和 SDK 使用说明等,方便开发者使用和扩展。

Wan2.1

Wan2.1

开源且先进的大规模视频生成模型项目

Wan2.1 是一个开源且先进的大规模视频生成模型项目,支持文本到图像、文本到视频、图像到视频等多种生成任务。它具备丰富的配置选项,可调整分辨率、扩散步数等参数,还能对提示词进行增强。使用了多种先进技术和工具,在视频和图像生成领域具有广泛应用前景,适合研究人员和开发者使用。

爱图表

爱图表

全流程 AI 驱动的数据可视化工具,助力用户轻松创作高颜值图表

爱图表(aitubiao.com)就是AI图表,是由镝数科技推出的一款创新型智能数据可视化平台,专注于为用户提供便捷的图表生成、数据分析和报告撰写服务。爱图表是中国首个在图表场景接入DeepSeek的产品。通过接入前沿的DeepSeek系列AI模型,爱图表结合强大的数据处理能力与智能化功能,致力于帮助职场人士高效处理和表达数据,提升工作效率和报告质量。

Qwen2.5-VL

Qwen2.5-VL

一款强大的视觉语言模型,支持图像和视频输入

Qwen2.5-VL 是一款强大的视觉语言模型,支持图像和视频输入,可用于多种场景,如商品特点总结、图像文字识别等。项目提供了 OpenAI API 服务、Web UI 示例等部署方式,还包含了视觉处理工具,有助于开发者快速集成和使用,提升工作效率。

HunyuanVideo

HunyuanVideo

HunyuanVideo 是一个可基于文本生成高质量图像和视频的项目。

HunyuanVideo 是一个专注于文本到图像及视频生成的项目。它具备强大的视频生成能力,支持多种分辨率和视频长度选择,能根据用户输入的文本生成逼真的图像和视频。使用先进的技术架构和算法,可灵活调整生成参数,满足不同场景的需求,是文本生成图像视频领域的优质工具。

WebUI for Browser Use

WebUI for Browser Use

一个基于 Gradio 构建的 WebUI,支持与浏览器智能体进行便捷交互。

WebUI for Browser Use 是一个强大的项目,它集成了多种大型语言模型,支持自定义浏览器使用,具备持久化浏览器会话等功能。用户可以通过简洁友好的界面轻松控制浏览器智能体完成各类任务,无论是数据提取、网页导航还是表单填写等操作都能高效实现,有利于提高工作效率和获取信息的便捷性。该项目适合开发者、研究人员以及需要自动化浏览器操作的人群使用,在 SEO 优化方面,其关键词涵盖浏览器使用、WebUI、大型语言模型集成等,有助于提高网页在搜索引擎中的曝光度。

xiaozhi-esp32

xiaozhi-esp32

基于 ESP32 的小智 AI 开发项目,支持多种网络连接与协议,实现语音交互等功能。

xiaozhi-esp32 是一个极具创新性的基于 ESP32 的开发项目,专注于人工智能语音交互领域。项目涵盖了丰富的功能,如网络连接、OTA 升级、设备激活等,同时支持多种语言。无论是开发爱好者还是专业开发者,都能借助该项目快速搭建起高效的 AI 语音交互系统,为智能设备开发提供强大助力。

olmocr

olmocr

一个用于 OCR 的项目,支持多种模型和服务器进行 PDF 到 Markdown 的转换,并提供测试和报告功能。

olmocr 是一个专注于光学字符识别(OCR)的 Python 项目,由 Allen Institute for Artificial Intelligence 开发。它支持多种模型和服务器,如 vllm、sglang、OpenAI 等,可将 PDF 文件的页面转换为 Markdown 格式。项目还提供了测试框架和 HTML 报告生成功能,方便用户对 OCR 结果进行评估和分析。适用于科研、文档处理等领域,有助于提高工作效率和准确性。

飞书多维表格

飞书多维表格

飞书多维表格 ×DeepSeek R1 满血版

飞书多维表格联合 DeepSeek R1 模型,提供 AI 自动化解决方案,支持批量写作、数据分析、跨模态处理等功能,适用于电商、短视频、影视创作等场景,提升企业生产力与创作效率。关键词:飞书多维表格、DeepSeek R1、AI 自动化、批量处理、企业协同工具。

下拉加载更多