metadata

license: apache-2.0

Model Card for Model ID

Welcome

If you find this model helpful, please like this model and star us on https://github.com/LianjiaTech/BELLE !

📝Belle-VL

背景介绍

社区目前已经有很多多模态大语言模型相关开源工作，但大多以英文能力为主，比如LLava,CogVLM等，而中文多模态大语言模型比如VisualGLM-6B、Qwen-VL的语言模型基座均较小，实际应用中很难兼顾视觉和语言能力，因此Belle-VL选择基于更强的语言模型基座来扩展模型的视觉能力，为社区提供更加灵活的选择。

模型简介

在模型结构方面，我们主要参考的Qwen-VL模型，原始Qwen-VL是基于Qwen7B模型训练而来，基座能力相对较弱，因此Belle-VL将语言模型扩展成了Qwen14B-chat，在中文语言能力和视觉能力方面可以兼顾，具备更好的扩展性。

训练策略

原始Qwen-vl采用了三阶段的训练方式,包括预训练、多任务训练和指令微调，依赖较大的数据和机器资源。受LLava1.5的启发，多模态指令微调比预训练更加重要，因此我们采用了两阶段的训练方式，如下图所示：

训练数据

预训练数据：预训练数据主要是基于LLava 的558k英文指令数据及其对应的中文翻译数据，此外我们还收集了Flickr30k-CNA 以及从AI Challenger随机选取的100k数据
多模态指令数据：指令微调阶段，数据主要来自LLava, LRV-Instruction, LLaVAR,LVIS-INSTRUCT4V等开源项目，我们也对其中部分数据进行了翻译，在此真诚的感谢他们为开源所做出的贡献！

模型使用

import torch
from transformers import AutoModelForCausalLM, AutoTokenizer, GenerationConfig
model_dir = '/path/to_finetuned_model/'
img_path = 'you_image_path'
tokenizer = AutoTokenizer.from_pretrained(model_dir, trust_remote_code=True)
model = AutoModelForCausalLM.from_pretrained(model_dir, trust_remote_code=True).eval()
model.generation_config = GenerationConfig.from_pretrained(model_dir, trust_remote_code=True)
question = '详细描述一下这张图'

query = tokenizer.from_list_format([
    {'image': img_path}, # Either a local path or an url
    {'text': question},
])
response, history = model.chat(tokenizer, query=query, history=None)
print(response)

#or
query = f'<img>{img_path}</img>\n{question}'
response, history = model.chat(tokenizer, query=query, history=None)
print(response)

MME Benchmark

MME是一个针对多模态大型语言模型的全面评估基准。它在总共14个子任务上测量感知和认知能力,包括包括存在性、计数、位置、颜色、海报、名人、场景、地标、艺术作品、OCR、常识推理、数值计算、文本翻译和代码推理等。目前最新的BELLE-VL模型在感知评测维度共获得1620.10分，超过LLava和Qwen-VL.详情如下：

Category	Score
Perception	1620.10
--Existence	195.00
--Count	173.33
--Position	1310.00
--Color	185.00
--Posters	160.88
--Celebrity	135.88
--Scene	150.00
--Landmark	169.25
--Artwork	143.50
--OCR	177.50

Category	Score
Cognition	305.36
--Commonsense Reasoning	132.86
--Numerical Calculation	42.50
--Text Translation	72.50
--Code Reasoning	57.00

模型不足

当前模型仅基于开源数据训练，仍存在不足，用户可基于自身需要继续微调强化

目前模型仅支持单张图片的交互
目前在中文ocr场景能力较弱

Citation

Please cite our paper and github when using our code, data or model.

@misc{BELLE,
  author = {BELLEGroup},
  title = {BELLE: Be Everyone's Large Language model Engine},
  year = {2023},
  publisher = {GitHub},
  journal = {GitHub repository},
  howpublished = {\url{https://github.com/LianjiaTech/BELLE}},
}