MIL-UT/Asagi-2B

Model Details

Model Description

This repository provides Asagi-2B, a large-scale Japanese Vision & Language Model (VLM). Asagi-2B has been trained on an extensive Japanese dataset, incorporating a diverse range of data sources.

A significant portion of the training data is synthesized using models such as the Japanese large language model (CALM3-22B-Chat) and the English Vision & Language Model (Phi3.5-vision-instruct).

Importantly, we do not use LLMs that restrict the usage of their outputs in the license terms (e.g., GPT-4) to synthesize the training data.

Model components	Model / Architecture	Parameters
Vision encoder	siglip-so400m-patch14-384	428M
Projector	2-layer MLP	64M
LLM	llm-jp-3-1.8b-instruct	1.8B

Usage

Requirements

transformers==4.45.1
accelerate==0.34.2
torch==2.4.0
torchvision==0.19.0

How to use

import requests
import torch
import transformers
from PIL import Image
from transformers import AutoModel, AutoProcessor, GenerationConfig

transformers.set_seed(42)
model_path = "MIL-UT/Asagi-2B"
processor = AutoProcessor.from_pretrained(model_path)
model = AutoModel.from_pretrained(
    model_path, trust_remote_code=True,
    torch_dtype=torch.bfloat16,
    device_map="auto"
)

generation_config = GenerationConfig(
    do_sample=True,
    num_beams=5,
    max_new_tokens=256,
    temperature=0.7,
    repetition_penalty=1.5
)

prompt = ("以下は、タスクを説明する指示です。要求を適切に満たす応答を書きなさい。\n\n"
            "### 指示:\n<image>\nこの画像を見て、次の質問に詳細かつ具体的に答えてください。この写真はどこで撮影されたものか教えてください。また、画像の内容についても詳しく説明してください。\n\n### 応答:\n")

# sample image
sample_image_url = "https://raw.githubusercontent.com/uehara-mech/uehara-mech.github.io/refs/heads/master/images/shibuya.jpg"
image = Image.open(requests.get(sample_image_url, stream=True).raw)

inputs = processor(
    text=prompt, images=image, return_tensors="pt"
)
inputs_text = processor.tokenizer(prompt, return_tensors="pt")
inputs['input_ids'] = inputs_text['input_ids']
inputs['attention_mask'] = inputs_text['attention_mask']
for k, v in inputs.items():
    if v.dtype == torch.float32:
        inputs[k] = v.to(model.dtype)
inputs = {k: inputs[k].to(model.device) for k in inputs if k != "token_type_ids"}

generate_ids = model.generate(
    **inputs,
    generation_config=generation_config
)
generated_text = processor.batch_decode(
    generate_ids, skip_special_tokens=True, clean_up_tokenization_spaces=False
)[0]

# do not print the prompt
if "<image>" in prompt:
    prompt = prompt.replace("<image>", " ")
generated_text = generated_text.replace(prompt, "")

print(f"Generated text: {generated_text}")

# >>> Generated text:  この写真は渋谷の交差点で撮影されたものです。写真には、夜の渋谷の街並みが写っており、多くの高層ビルが立ち並んでいます。特に目を引くのは、中央に位置する大きな白いビルで、その周囲には小さなビルが立ち並んでいます。ビルの窓からは街の明かりが漏れ、街全体が活気に満ちている様子が伝わってきます。

Example

Prompt	Output
この画像を見て、次の質問に詳細かつ具体的に答えてください。この写真はどこで撮影されたものか教えてください。また、画像の内容についても詳しく説明してください。	この写真は渋谷の交差点で撮影されたものです。写真には、夜の渋谷の街並みが写っており、多くの高層ビルが立ち並んでいます。特に目を引くのは、中央に位置する大きな白いビルで、その周囲には小さなビルが立ち並んでいます。ビルの窓からは街の明かりが漏れ、街全体が活気に満ちている様子が伝わってきます。

More Examples

Click to expand

Prompt	Output
この画像を見て、次の指示に詳細かつ具体的に答えてください。この写真の内容について詳しく教えてください。	この写真は、東京のレインボーブリッジを撮影したものです。橋は白く塗装されており、水の上に架かっています。背景には高層ビルが立ち並ぶ都市景観が広がっており、空は澄み切った青色で、白い雲が浮かんでいます。

Prompt	Output
この画像を見て、次の質問に詳細かつ具体的に答えてください。この写真について評価してください。	この写真は非常に低い解像度と品質のため、詳細な説明が困難です。

Prompt	Output
この画像を見て、次の質問に詳細かつ具体的に答えてください。この写真の神社について、細かいところまで詳しく説明してください。	この写真の神社は、日本の伝統的な神社建築様式を反映しています。白い壁と赤い屋根のコントラストが美しく、神聖な雰囲気を醸し出しています。入り口には朱塗りの鳥居が立ち、神聖な空間への入り口を象徴しています。また、神社の前には石畳の道が続いており、参拝者を神聖な場所へと導いています。

Prompt	Output
この画像を見て、次の指示に詳細かつ具体的に答えてください。これは日本庭園の中でも、どのような形式に分類される庭園ですか？また、その理由は何ですか？	この日本庭園は、伝統的な日本庭園の形式に基づいており、自然との調和を重視した設計が特徴です。池や岩、石灯籠などが配置され、静かで落ち着いた雰囲気を醸し出しています。このような庭園は、日本の伝統的な美意識である「わびさび」を体現しており、自然と人間の調和を大切にする精神を体現しています。

Prompt	Output
この画像を見て、次の質問に詳細に答えてください。この画像の場所を舞台とした小説のあらすじを書いてください。	この画像の場所を舞台にした小説は、日本の伝統的な街並みを舞台にしています。石畳の道を進むと、古い木造建築が立ち並び、歴史を感じさせる風景が広がっています。石畳の道沿いには、緑豊かな植物が生い茂り、自然との調和を大切にする日本の美意識が感じられます。この物語は、都会の喧騒を離れ、自然と一体になれるような、静かで穏やかな雰囲気を醸し出しています。

Training Details

Training Data

Dataset	Preprocess	Stage1	Stage2	Size
ROIS (Ours)	Synthesized	✓	✓	8.4M
Japanese image text pairs	Synthesized	✓	✓	4.4M
Wikipedia	Synthesized	✓	✓	2.5M
Open Images	Translated	✓	✓	680K
DCI	Translated	✓	✓	7K
CommonCatalog CC-BY	Translated	✓	✓	3.5M
LLaVA-Pretrain-JA		✓	✓	550K
STAIR Captions		✓	✓	410K
Flickr-JP		✓	✓	160K
YJ Captions		✓	✓	130K
Japanese Pascal		✓	✓	5K
ArtBench	Synthesized		✓	100K
GQA	Translated		✓	1.9M
VQA v2	Translated		✓	880K
A-OKVQA	Translated		✓	34K
OK-VQA	Translated		✓	18K
Japanese Visual Genome	Translated		✓	1.6M
PangeaInstruct			✓	93K

Note: ROIS (Ours) is a newly collected dataset crawled from the web specifically for this project. The dataset consists of image and raw text pairs, which are used to synthesize the training data.

Evaluation

We evaluated our model using Heron-Bench, JA-VLM-Bench-in-the-Wild, and JA-VG-VQA-500. We used eval-mm library for this evaluation.

Here, models with "†" are not trained with GPT-generated data. Bold numbers indicate the best performance among all models, and underlined numbers indicate the best performance among models not trained with GPT-generated data.

Model	LM Size	Heron-Bench (LLM (%))	JA-VLM-Bench-In-the-Wild (ROUGE-L)	JA-VLM-Bench-In-the-Wild (LLM (/5.0))	JA-VG-VQA-500 (ROUGE-L)	JA-VG-VQA-500 (LLM (/5.0))
Japanese InstructBLIP Alpha†	7B	14.0	20.8	2.42	-	-
Japanese Stable VLM†	7B	24.2	23.3	2.47	-	-
LLaVA-CALM2-SigLIP†	7B	43.3	47.2	3.15	17.4	3.21
Llama-3-EvoVLM-JP-v2	8B	39.3	41.4	2.92	23.5	2.96
VILA-jp	13B	57.2	52.3	3.69	16.2	3.62
Asagi-2B†	1.8B	44.7	48.8	3.26	53.7	3.69
Asagi-4B†	3.7B	49.3	49.6	3.38	55.6	3.78
Asagi-8B†	7.2B	54.7	49.4	3.45	56.43	3.84
Asagi-14B†	13B	55.8	50.8	3.44	56.8	3.84
GPT-4o	-	87.6	37.6	3.85	12.1	3.58

Risks and Limitations

The models released here are in the early stages of our research and development and have not been tuned to ensure outputs align with human intent and safety considerations.

Model Card Authors

Kohei Uehara