推理：false
流程标签：图像-文本到文本

Finedefics 模型卡

模型详情

模型类型：
Finedefics 是一个开源的多模态大语言模型（MLLM），通过在训练阶段融入对象的信息化属性描述，增强了模型的细粒度视觉识别（FGVR）能力。
它是一个基于Transformer架构的自回归语言模型。
基础MLLM：HuggingFaceM4/idefics2-8b

论文或更多信息参考：
OpenReview：https://openreview.net/forum?id=p3NKpom1VL
Arxiv：https://arxiv.org/abs/2501.15140

许可协议

Idefics2 采用 Apache 2.0 许可证授权，我们发布的 Finedefics 检查点同样遵循该许可协议。

模型问题或意见反馈渠道：
https://github.com/PKU-ICST-MIPL/Finedefics_ICLR2025/issues

预期用途

主要预期用途：
Finedefics 主要用于细粒度多模态大语言模型（MLLM）的研究。

主要目标用户：
该模型主要面向计算机视觉、自然语言处理、机器学习及人工智能领域的研究人员和爱好者。

训练与评估数据集

包含6个细粒度视觉识别数据集的集合，涵盖斯坦福Dog-120、Bird-200、FGVC-Aircraft、Flower-102、Oxford-IIIT Pet-37以及斯坦福Car-196。