VPGTrans

VPGTrans

低成本跨语言模型迁移的视觉提示生成器VPGTrans指南

VPGTrans框架通过迁移视觉提示生成器,显著降低大语言模型的资源消耗和训练数据需求。该项目包括VL-LLaMA和VL-Vicuna两阶段训练方法,并详细介绍了安装、评估和训练步骤,由新加坡国立大学和清华大学的研究人员开发。

VPGTransVL-LLMVL-LLaMAVL-Vicuna视觉提示生成器Github开源项目

VPGTrans 项目介绍

项目概述

VPGTrans 是一个旨在优化视觉-语言大模型(VL-LLM)构建成本的新框架。传统上,开发新的 VL-LLM 需要从头开始在大量的图像文本对上进行预训练,这个过程不仅资源密集,而且耗费大量计算能力。VPGTrans 提供了一种将视觉提示生成器(VPG)在不同的大模型(LLM)之间迁移的方案,这大大降低了成本,实现了 GPU 训练时长的减少,并将所需的训练数据量降低至约 10%。

VPGTrans 包括两个训练阶段,最终实现用新发布的大模型定制新的 VL-LLM。在该项目中,我们发布了两个通过 VPGTrans 创新的 VL-LLM,分别是 VL-LLaMA 和 VL-Vicuna。

VL-LLaMA

VL-LLaMA 是通过将 BLIP-2 OPT-6.7B 迁移到 LLaMA 构建的多模态版本。这个模型通过 VPGTrans 方法提升了性能,大大提高了构建 VL-LLM 的效率。

VL-Vicuna

VL-Vicuna 是一个基于 Vicuna 大模型构建的类似 GPT-4 的多模态聊天机器人。它通过 VPGTrans 框架进行训练,在对话场景中实现了更好的适应性。

安装指导

首先,用户需要克隆项目代码库并安装必要的环境依赖。具体步骤如下:

git clone https://github.com/VPGTrans/VPGTrans.git cd VPGTrans pip install -r requirements.txt pip install -e .

演示与评估

VPGTrans 提供了 VL-Vicuna 的本地演示。用户需要准备预训练的 Vicuna 权重,按说明进行配置文件的修改,然后运行对应的脚本来启动演示。

评估部分则包含数据准备和运行代码来测试模型性能。本文使用的数据集包括 COCO caption、NoCaps、VQAv2、GQA 和 OK-VQA。

训练过程

训练过程分为两个主要阶段:

  1. 阶段一:投影器预热 - 需要下载 BLIP2 OPT-6.7B 检查点。用户可以通过线性投影工具进行初始设定,然后运行投影器预热脚本。
  2. 阶段二:直接微调 - 使用预热阶段生成的检查点进行进一步的微调。

对于 VL-Vicuna,除了上述两个阶段,还包括第三个阶段:视觉指令微调,进一步调整模型以适应对话场景。

致谢

此项目构建在 Lavis、Vicuna 和 MiniGPT-4 的基础上,实现了创新和提升。

引用方式

如果你在研究或应用中使用了 VPGTrans,请引用以下文献:

@article{2023vpgtrans, author = {Ao Zhang, Hao Fei, Yuan Yao, Wei Ji, Li Li, Zhiyuan Liu, and Tat-Seng Chua}, title = {Transfer Visual Prompt Generator across LLMs}, journal = {CoRR}, volume = {abs/23045.01278}, year = {2023}, url = {https://doi.org/10.48550/arXiv.2305.01278}, }

许可证

项目使用 BSD 3-Clause License 授权。

编辑推荐精选

openai-agents-python

openai-agents-python

OpenAI Agents SDK,助力开发者便捷使用 OpenAI 相关功能。

openai-agents-python 是 OpenAI 推出的一款强大 Python SDK,它为开发者提供了与 OpenAI 模型交互的高效工具,支持工具调用、结果处理、追踪等功能,涵盖多种应用场景,如研究助手、财务研究等,能显著提升开发效率,让开发者更轻松地利用 OpenAI 的技术优势。

Hunyuan3D-2

Hunyuan3D-2

高分辨率纹理 3D 资产生成

Hunyuan3D-2 是腾讯开发的用于 3D 资产生成的强大工具,支持从文本描述、单张图片或多视角图片生成 3D 模型,具备快速形状生成能力,可生成带纹理的高质量 3D 模型,适用于多个领域,为 3D 创作提供了高效解决方案。

3FS

3FS

一个具备存储、管理和客户端操作等多种功能的分布式文件系统相关项目。

3FS 是一个功能强大的分布式文件系统项目,涵盖了存储引擎、元数据管理、客户端工具等多个模块。它支持多种文件操作,如创建文件和目录、设置布局等,同时具备高效的事件循环、节点选择和协程池管理等特性。适用于需要大规模数据存储和管理的场景,能够提高系统的性能和可靠性,是分布式存储领域的优质解决方案。

TRELLIS

TRELLIS

用于可扩展和多功能 3D 生成的结构化 3D 潜在表示

TRELLIS 是一个专注于 3D 生成的项目,它利用结构化 3D 潜在表示技术,实现了可扩展且多功能的 3D 生成。项目提供了多种 3D 生成的方法和工具,包括文本到 3D、图像到 3D 等,并且支持多种输出格式,如 3D 高斯、辐射场和网格等。通过 TRELLIS,用户可以根据文本描述或图像输入快速生成高质量的 3D 资产,适用于游戏开发、动画制作、虚拟现实等多个领域。

ai-agents-for-beginners

ai-agents-for-beginners

10 节课教你开启构建 AI 代理所需的一切知识

AI Agents for Beginners 是一个专为初学者打造的课程项目,提供 10 节课程,涵盖构建 AI 代理的必备知识,支持多种语言,包含规划设计、工具使用、多代理等丰富内容,助您快速入门 AI 代理领域。

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。

下拉加载更多