metadata
license: apache-2.0
pipeline_tag: image-to-text
MMAlaya
MMAlaya是基于大语言模型Alaya的多模态模型。
MMAlaya包含以下三个模块:
1,大语言模型Alaya。
2,图像文本特征编码器来自blip2-opt-2.7b的Qformer。
3,图像文本特征到大预言模型的线性投影器。
模型的训练主要基于LLaVA架构
2024.01.23 最终在MMBench线上测试中文测试集分数为56.9,英文测试集分数为59.8。
推理可以参考 inference.py