懂AI
NVLM-D-72B

NVLM-D-72B

开源前沿级多模态大语言模型 实现视觉语言任务的最新突破

NVLM-D-72B是一款开源的多模态大语言模型，在视觉语言任务上表现卓越，达到了与顶级专有和开源模型相当的水平。该模型不仅擅长视觉语言任务，在多模态训练后其纯文本处理能力也有所提升。NVLM-D-72B可执行光学字符识别、多模态推理、定位、常识推理等多种任务，为AI研究社区提供了强大的开源多模态能力。

模型人工智能Github大语言模型视觉语言开源项目HuggingfaceNVLM多模态
访问官网GitHubHugging Face论文文档

NVLM-D-72B项目介绍

项目概述

NVLM-D-72B是英伟达公司开发的一款前沿级多模态大语言模型(LLM)。它是NVLM 1.0模型家族中的一员,采用仅解码器架构,具有720亿参数规模。该模型在视觉-语言任务上达到了最先进的性能,能够与领先的专有模型(如GPT-4)和开源模型(如Llama 3-V 405B和InternVL 2)相媲美。

模型特点

  • 多模态能力:可以同时处理文本和图像输入,执行包括光学字符识别、多模态推理、定位、常识推理、世界知识利用和编码在内的各种任务。

  • 大规模参数:拥有720亿参数,属于超大规模语言模型。

  • 开源可用:模型权重和代码已在Hugging Face上开源,供社区使用。

  • 性能卓越:在多项视觉-语言基准测试中表现出色,如MMMU、MathVista、OCRBench等。

  • 文本能力增强:经过多模态训练后,模型在纯文本任务上的表现反而有所提升。

技术细节

  • 网络架构:仅解码器的Transformer架构

  • 输入:支持文本和图像输入,最大token长度为128K

  • 输出:生成文本输出

  • 运行环境:支持PyTorch,推荐在NVIDIA Hopper架构GPU上运行

  • 开源许可:采用CC-BY-NC-4.0许可

使用方法

  1. 准备环境:可使用提供的Dockerfile构建运行环境

  2. 加载模型:

    model = AutoModel.from_pretrained("nvidia/NVLM-D-72B")

  3. 多GPU加载:提供了将模型分布在多个GPU上的示例代码

  4. 推理:

    • 支持纯文本对话
    • 支持单图像单轮对话
    • 提供了图像预处理和模型输入的详细示例代码

性能评测

  • 在多项视觉-语言基准测试中表现优异,如MMMU、MathVista、OCRBench等

  • 在纯文本任务上也有出色表现,如MMLU、GSM8K、MATH、HumanEval等

总结

NVLM-D-72B是一个强大的开源多模态大语言模型,在视觉-语言和纯文本任务上都展现出卓越性能。它的开源为学术研究和应用开发提供了宝贵的资源,有望推动多模态AI技术的进一步发展。

编辑推荐精选

博思AIPPT

博思AIPPT

AI一键生成PPT，就用博思AIPPT！

博思AIPPT，新一代的AI生成PPT平台，支持智能生成PPT、AI美化PPT、文本&链接生成PPT、导入Word/PDF/Markdown文档生成PPT等，内置海量精美PPT模板，涵盖商务、教育、科技等不同风格，同时针对每个页面提供多种版式，一键自适应切换，完美适配各种办公场景。

AI办公办公工具AI工具博思AIPPTAI生成PPT智能排版海量精品模板AI创作热门
潮际好麦

潮际好麦

AI赋能电商视觉革命，一站式智能商拍平台

潮际好麦深耕服装行业，是国内AI试衣效果最好的软件。使用先进AIGC能力为电商卖家批量提供优质的、低成本的商拍图。合作品牌有Shein、Lazada、安踏、百丽等65个国内外头部品牌，以及国内10万+淘宝、天猫、京东等主流平台的品牌商家，为卖家节省将近85%的出图成本，提升约3倍出图效率，让品牌能够快速上架。

iTerms

iTerms

企业专属的AI法律顾问

iTerms是法大大集团旗下法律子品牌，基于最先进的大语言模型(LLM)、专业的法律知识库和强大的智能体架构，帮助企业扫清合规障碍，筑牢风控防线，成为您企业专属的AI法律顾问。

SimilarWeb流量提升

SimilarWeb流量提升

稳定高效的流量提升解决方案，助力品牌曝光

稳定高效的流量提升解决方案，助力品牌曝光

Sora2视频免费生成

Sora2视频免费生成

最新版Sora2模型免费使用，一键生成无水印视频

最新版Sora2模型免费使用，一键生成无水印视频

Transly

Transly

实时语音翻译/同声传译工具

Transly是一个多场景的AI大语言模型驱动的同声传译、专业翻译助手，它拥有超精准的音频识别翻译能力，几乎零延迟的使用体验和支持多国语言可以让你带它走遍全球，无论你是留学生、商务人士、韩剧美剧爱好者，还是出国游玩、多国会议、跨国追星等等，都可以满足你所有需要同传的场景需求，线上线下通用，扫除语言障碍，让全世界的语言交流不再有国界。

讯飞绘文

讯飞绘文

选题、配图、成文，一站式创作，让内容运营更高效

讯飞绘文，一个AI集成平台，支持写作、选题、配图、排版和发布。高效生成适用于各类媒体的定制内容，加速品牌传播，提升内容营销效果。

热门AI辅助写作AI工具讯飞绘文内容运营AI创作个性化文章多平台分发AI助手
TRAE编程

TRAE编程

AI辅助编程，代码自动修复

Trae是一种自适应的集成开发环境（IDE），通过自动化和多元协作改变开发流程。利用Trae，团队能够更快速、精确地编写和部署代码，从而提高编程效率和项目交付速度。Trae具备上下文感知和代码自动完成功能，是提升开发效率的理想工具。

AI工具TraeAI IDE协作生产力转型热门
商汤小浣熊

商汤小浣熊

最强AI数据分析助手

小浣熊家族Raccoon，您的AI智能助手，致力于通过先进的人工智能技术，为用户提供高效、便捷的智能服务。无论是日常咨询还是专业问题解答，小浣熊都能以快速、准确的响应满足您的需求，让您的生活更加智能便捷。

imini AI

imini AI

像人一样思考的AI智能体

imini 是一款超级AI智能体，能根据人类指令，自主思考、自主完成、并且交付结果的AI智能体。

下拉加载更多