llava-1.5-7b-hf-ft-mix-vsft

Эта модель является дообученной версией llava-hf/llava-1.5-7b-hf на датасете HuggingFaceH4/llava-instruct-mix-vsft

Описание модели

Эта модель была дообучена для улучшения её производительности в специфических задачах. Процесс дообучения включал адаптацию базовой модели с использованием методов Low-Rank Adaptation (LoRA) и Supervised Fine-Tuning (SFT), что делает её более эффективной для целевых приложений.

Предназначенные использования и ограничения

• Предназначенные использования: Модель предназначена для задач, связанных с условной генерацией текста и распознаванием изображений. Она может быть использована в чат-ботах, интерактивных системах и других приложениях, требующих высококачественных ответов.
• Ограничения: Модель может не показывать хороших результатов в задачах, значительно отличающихся от тех, для которых она была дообучена. Также важно оценить её производительность на вашем конкретном датасете, чтобы убедиться, что она соответствует вашим требованиям.

Данные для обучения и оценки

Модель была дообучена на смешанном датасете HuggingFaceH4/llava-instruct-mix-vsft, предназначенном для инструкционных задач и визуального распознавания. Более подробная информация о датасете необходима. Ссылка на датасет

Процедура обучения

Гиперпараметры обучения

Следующие гиперпараметры использовались во время обучения:

• learning_rate: 1.4e-05
• train_batch_size: 4
• eval_batch_size: 8
• seed: 42
• optimizer: Adam с betas=(0.9, 0.999) и epsilon=1e-08
• lr_scheduler_type: linear
• num_epochs: 1
• mixed_precision_training: Native AMP

Результаты обучения

Результаты обучения в TensorBoard.

Версии фреймворков

• PEFT: 0.10.0
• Transformers: 4.40.0
• Pytorch: 2.2.1+cu121
• Datasets: 2.19.0
• Tokenizers: 0.19.1

Дополнительная информация

• Квантование: Модель использует конфигурацию квантования для оптимизации использования памяти и вычислительных ресурсов, что позволяет запускать её на устройствах с ограниченными ресурсами без значительной потери точности.
• LoRA (Low-Rank Adaptation): Эта техника использовалась для дообучения модели путем адаптации её параметров в вычислительно эффективной форме, сокращая время и ресурсы, необходимые для обучения.
• SFT (Supervised Fine-Tuning): Модель была дообучена с использованием SFTTrainer, что обеспечивает её хорошую адаптацию к специфическим задачам, на которых она была обучена, улучшая её производительность и надежность.