LLaVA-NeXT：开放大型多模态模型

发布说明

[2024/08/06] 🔥 LLaVA-OneVision 已发布。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、博客和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。
- 一个全能的LLM，适用于多图像、视频和3D任务，具有强大的性能 [演示]
- 构建交错训练数据 M4-Instruct
- 构建多图像基准测试 LLaVA-Interleave Bench
[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。

[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。查看论文和项目页面。
[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。查看论文和演示。

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和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-Image：用于图像演示推理和使用lmms-eval评估更强大的LMM。

- LLaVA-NeXT：强大的零样本视频理解模型

LLaVA-NeXT-Video：用于视频推理和评估脚本。我们建议使用LMMs-video进行评估。

- LLaVA-NeXT：在大型多模态模型中处理多图像、视频和3D

LLaVA-NeXT-Interleave：用于多图像演示和评估脚本。

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）

在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 Li、Dong Guo、Feng Li、Hao Zhang、Kaichen Zhang、Renrui Zhang、Yuanhan 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。