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。
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
-
准备环境:可使用提供的Dockerfile构建运行环境
-
加载模型:
model = AutoModel.from_pretrained("nvidia/NVLM-D-72B") -
多GPU加载:提供了将模型分布在多个GPU上的示例代码
-
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
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。
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
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。
Keevx
AI数字人视频创作平台
Keevx 一款开箱即用的AI数字人视频创作平台，广泛适用于电商广告、企业培训与社媒宣传，让全球企业与个人创作者无需拍摄剪辑，就能快速生成多语言、高质量的专业视频。
即梦AI
一站式AI创作平台
提供 AI 驱动的图片、视频生成及数字人等功能，助力创意创作
扣子-AI办公
AI办公助手，复杂任务高效处理
AI办公助手，复杂任务高效处理。办公效率低？扣子空间AI助手支持播客生成、PPT制作、网页开发及报告写作，覆盖科研、商业、舆情等领域的专家Agent 7x24小时响应，生活工作无缝切换，提升50%效率！
蛙蛙写作
AI小说写作助手，一站式润色、改写、扩写
蛙蛙写作—国内先进的AI写作平台，涵盖小说、学术、社交媒体等多场景。提供续写、改写、润色等功能，助力创作者高效优化写作流程。界面简洁,功能全面,适合各类写作者提升内容品质和工作效率。
问小白
全能AI智能助手，随时解答生活与工作的多样问题
问小白，由元石科技研发的AI智能助手，快速准确地解答各种生活和工作问题，包括但不限于搜索、规划和社交互动，帮助用户在日常生活中提高效率，轻松管理个人事务。
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。
讯飞智文
一键生成PPT和Word，让学习生活更轻松
讯飞智文是一个利用 AI 技术的项目，能够帮助用户生成 PPT 以及各类文档。无论是商业领域的市场分析报告、年度目标制定，还 是学生群体的职业生涯规划、实习避坑指南，亦或是活动策划、旅游攻略等内容，它都能提供支持，帮助用户精准表达，轻松呈现各种信息。
推荐工具精选
AI云服务特惠
懂AI专属折扣关注微信公众号
最新AI工具、AI资讯
独家AI资源、AI项目落地
微信扫一扫关注公众号