MoE-LLaVA：大型视觉语言模型的专家混合体 | 𝖲𝗈𝗆𝖾𝗍𝗁𝗂𝗇𝗀𝗔𝗜

type

status

slug

summary

category

icon

password

Date

📣 新闻

⏳⏳⏳ 在更高的图像分辨率（例如 768 × 768）下训练更强大的模型。

⏳⏳⏳ 训练 MoE-LLaVA-Qwen1.5 以更好地支持中文。

[2024.03.16] 🎉 我们发布了所有 stage2 模型，检查我们的模型动物园。

[2024.02.03] 🎉 我们发布了更强大的MoE-LLaVA-StableLM 。通过使用2.0B稀疏激活参数，检查我们的模型动物园，平均性能接近 LLaVA-1.5-7B 。

[2024.02.02] 🤝 享受由@camenduru创建的和，他慷慨地支持了我们的研究！

[2024.02.01] 🔥 无法访问 HF 的人现在可以通过模型范围下载模型，检查我们的模型动物园。

[2024.01.30] 🔥 我们发布了更强大的MoE-LLaVA-Phi2 。通过检查我们的模型动物园，使用 3.6B稀疏激活参数，平均性能超越了 LLaVA-1.5-7B 。

[2024.01.27] 🤗 Hugging Face 演示以及所有代码和数据集现已可用！欢迎关注👀 此存储库以获取最新更新。

😮 亮点

MoE-LLaVA 在多模态学习中表现出色。

🔥 性能高，但参数更少

仅使用3B 个稀疏激活参数

，MoE-LLaVA 在各种视觉理解数据集上表现出与 LLaVA-1.5-7B 相当的性能，甚至在物体幻觉基准测试中超越了 LLaVA-1.5-13B。

🚀 简单基线，学习具有稀疏路径的多模态交互。

通过添加简单的 MoE 调整阶段8 个 A100 GPU

，我们可以在 1 天内在

上完成 MoE-LLaVA 的训练。

🤗 演示

Gradio 网页用户界面

强烈建议您通过以下命令试用我们的 Web 演示，该演示包含 MoE-LLaVA 目前支持的所有功能。我们还在Huggingface Spaces 中提供在线演示。

20240126_205845.mp4

CLI 推理

🐳 模范动物园

模型

激活参数

变压器（高频）

模型范围(HF)

平均

视频量化音频

质量保证

维智

SQA-IMG

视觉品质保证

教皇

女士

MM-工作台

MM-兽医

Files

MoE-LLaVA-1.6B×4-Top2

2.0B

🤗LanguageBind/MoE-LLaVA-StableLM-1.6B-4e

北京大学袁志实验室/MoE-LLaVA-StableLM-1.6B-4e

57.3

76.7

60.3

36.2

62.6

50.1

85.7

1318.1

60.2

26.9

MoE-LLaVA-1.8B×4-Top2

2.2B

🤗LanguageBind/MoE-LLaVA-Qwen-1.8B-4e

北京大学袁志实验室/MoE-LLaVA-Qwen-1.8B-4e

56.7

76.2

61.5

32.6

63.1

1291.6

59.6

25.3

MoE-LLaVA-2.7B×4-Top2

3.6B

🤗LanguageBind/MoE-LLaVA-Phi2-2.7B-4e

北京大学元实验室/教育部-LLaVA-Phi2-2.7B-4e

61.1

77.6

61.4

43.9

68.5

51.4

86.3

1423

65.2

34.3

MoE-LLaVA-1.6B×4-Top2-384

2.0B

🤗LanguageBind/MoE-LLaVA-StableLM-1.6B-4e-384

北京大学元实验室/MoE-LLaVA-StableLM-1.6B-4e-384

78.6

61.5

40.5

63.9

54.3

85.9

1335.7

63.3

32.3

MoE-LLaVA-2.7B×4-Top2-384

3.6B

🤗LanguageBind/MoE-LLaVA-Phi2-2.7B-4e-384

北京大学元实验室/教育部-LLaVA-Phi2-2.7B-4e-384

62.9

79.9

62.6

43.7

70.3

85.7

1431.3

35.9

LLaVA-1.5

🤗liuhaotian/llava-v1.5-7b

78.5

66.8

58.2

85.9

1510.7

64.3

30.5

Stage2 模型

🚨请了解#27。

模型	检查点
MoE-LLaVA-1.6B×4-Top2	LanguageBind/MoE-LLaVA-StableLM-Stage2
MoE-LLaVA-1.6B×4-Top2-384	LanguageBind/MoE-LLaVA-StableLM-Stage2-384
MoE-LLaVA-1.8B×4-Top2	LanguageBind/MoE-LLaVA-Qwen-Stage2
MoE-LLaVA-2.7B×4-Top2	LanguageBind/MoE-LLaVA-Phi2-Stage2
MoE-LLaVA-2.7B×4-Top2-384	LanguageBind/MoE-LLaVA-Phi2-Stage2-384

预训练模型

模型	检查点
MoE-LLaVA-1.6B×4-Top2	LanguageBind/MoE-LLaVA-StableLM-Pretrain
MoE-LLaVA-1.6B×4-Top2-384	LanguageBind/MoE-LLaVA-StableLM-384-Pretrain
MoE-LLaVA-1.8B×4-Top2	LanguageBind/MoE-LLaVA-Qwen-Pretrain
MoE-LLaVA-2.7B×4-Top2	LanguageBind/MoE-LLaVA-Phi2-Pretrain
MoE-LLaVA-2.7B×4-Top2-384	LanguageBind/MoE-LLaVA-Phi2-384-Pretrain

⚙️ 要求和安装

我们建议要求如下。

Python == 3.10

Pytorch == 2.0.1

CUDA 版本 >= 11.7

Transformers == 4.37.0

标记器==0.15.1

安装所需的软件包：

警告

🚨我们发现使用 flashtention2 会导致性能下降。

🗝️ 训练与验证

训练和验证说明位于TRAIN.md和EVAL.md中。

💡 自定义你的 MoE-LLaVA

说明在CUSTOM.md中。

😍 可视化

说明在VISUALIZATION.md中。

🤖 API

我们开源了所有代码，如果你想在本地加载模型（例如LanguageBind/MoE-LLaVA-Phi2-2.7B-4e），可以使用以下代码片段。

使用以下命令运行代码。

🙌 相关项目

Video-LLaVA

该框架使模型能够有效地利用联合的视觉标记。

LanguageBind

一个开源的基于五种模式语言的检索框架。

👍 致谢

LLaVA

是我们构建的代码库，它是一个高效的大型语言和视觉助手。

🔒 许可证

该项目的大部分内容是在LICENSE

文件中找到的 Apache 2.0 许可证下发布的。

该服务是研究预览，仅供非商业用途，并受LLaMA 的示范许可使用条款隐私惯例约束。如果您发现任何潜在违规行为，请联系我们。

、 OpenAI 生成的数据的

和ShareGPT 的

✏️ 引用

如果您发现我们的论文和代码对您的研究有用，请考虑给出星星⭐和引用📝。

✨ 明星历史

MoE-LLaVA

PKU-YuanGroup • Updated May 28, 2024

🫂MoE-LLaVA：大型视觉语言模型的专家混合体