🚀 MiniCPM-V-2_6-RK3588-1.1.4

MiniCPM-V-2_6的此版本已转换为可在RK3588 NPU上运行，采用了['w8a8', 'w8a8_g128', 'w8a8_g256', 'w8a8_g512']量化方式。该模型已使用以下LoRA进行优化：

兼容RKLLM版本：1.1.4

🔗 实用链接

• 官方RKLLM GitHub
• RockhipNPU Reddit
• EZRKNN-LLM
• 这些开发者的相关内容：marty1885 和 happyme531
• 转换工具：ez-er-rkllm-toolkit

📄 原始模型卡片

以下是基础模型MiniCPM-V-2_6的原始模型卡片：

MiniCPM-V 2.6：适用于手机的单图像、多图像和视频的GPT - 4V级多模态大语言模型

GitHub | 演示

MiniCPM-V 2.6 是MiniCPM-V系列中最新且功能最强大的模型。该模型基于SigLip - 400M和Qwen2 - 7B构建，总参数达80亿。与MiniCPM-Llama3-V 2.5相比，其性能有显著提升，并引入了多图像和视频理解的新特性。MiniCPM-V 2.6的显著特性包括：

• 🔥 卓越性能：在最新版本的OpenCompass综合评估中，MiniCPM-V 2.6在8个流行基准测试中平均得分达到65.2。仅80亿参数的它，在单图像理解方面超越了广泛使用的专有模型，如GPT - 4o mini、GPT - 4V、Gemini 1.5 Pro和Claude 3.5 Sonnet。
• 🖼️ 多图像理解和上下文学习：MiniCPM-V 2.6能够对多图像进行对话和推理。在Mantis - Eval、BLINK、Mathverse mv和Sciverse mv等流行的多图像基准测试中取得了领先的性能，并展现出了良好的上下文学习能力。
• 🎬 视频理解：MiniCPM-V 2.6可以接受视频输入，进行对话并为时空信息提供密集字幕。在有/无字幕的Video - MME测试中，它的表现优于GPT - 4V、Claude 3.5 Sonnet和LLaVA - NeXT - Video - 34B。
• 💪 强大的OCR能力及其他特性：MiniCPM-V 2.6可以处理任意宽高比、像素高达180万（如1344x1344）的图像。在OCRBench测试中取得了领先的性能，超越了GPT - 4o、GPT - 4V和Gemini 1.5 Pro等专有模型。基于最新的RLAIF-V和VisCPM技术，它具有可靠的行为，在Object HalBench上的幻觉率显著低于GPT - 4o和GPT - 4V，并支持英语、中文、德语、法语、意大利语、韩语等多语言能力。
• 🚀 高效性能：除了模型规模友好外，MiniCPM-V 2.6还展现出了领先的令牌密度（即每个视觉令牌编码的像素数）。处理180万像素图像时仅生成640个令牌，比大多数模型少75%。这直接提高了推理速度、首令牌延迟、内存使用效率和功耗。因此，MiniCPM-V 2.6可以在iPad等终端设备上高效支持实时视频理解。
• 💫 易于使用：MiniCPM-V 2.6可以通过多种方式轻松使用：
  1. llama.cpp和ollama支持在本地设备上进行高效的CPU推理。
  2. 提供int4和GGUF格式的16种量化模型。
  3. vLLM支持高吞吐量和内存高效的推理。
  4. 支持在新领域和任务上进行微调。
  5. 可以使用Gradio快速搭建本地WebUI演示。
  6. 提供在线Web 演示。

🔍 评估结果

单图像评估

在OpenCompass、MME、MMVet、OCRBench、MMMU、MathVista、MMB、AI2D、TextVQA、DocVQA、HallusionBench、Object HalBench等基准测试中的单图像评估结果如下：

多图像评估

在Mantis Eval、BLINK Val、Mathverse mv、Sciverse mv、MIRB等基准测试中的多图像评估结果如下：

视频评估

在Video - MME和Video - ChatGPT等基准测试中的视频评估结果如下：

点击查看TextVQA、VizWiz、VQAv2、OK - VQA的少样本评估结果。

* 表示零图像样本和两个额外的文本样本，遵循Flamingo的设置。 ⁺ 我们评估了未进行SFT的预训练检查点。

📷 示例展示

点击查看更多示例。

我们在终端设备上部署了MiniCPM-V 2.6。演示视频是在iPad Pro上未经编辑的原始屏幕录制。

💻 演示体验

点击此处尝试MiniCPM-V 2.6的演示。

💻 使用示例

基础用法

# test.py
import torch
from PIL import Image
from transformers import AutoModel, AutoTokenizer

model = AutoModel.from_pretrained('openbmb/MiniCPM-V-2_6', trust_remote_code=True,
    attn_implementation='sdpa', torch_dtype=torch.bfloat16) # sdpa or flash_attention_2, no eager
model = model.eval().cuda()
tokenizer = AutoTokenizer.from_pretrained('openbmb/MiniCPM-V-2_6', trust_remote_code=True)

image = Image.open('xx.jpg').convert('RGB')
question = 'What is in the image?'
msgs = [{'role': 'user', 'content': [image, question]}]

res = model.chat(
    image=None,
    msgs=msgs,
    tokenizer=tokenizer
)
print(res)

## if you want to use streaming, please make sure sampling=True and stream=True
## the model.chat will return a generator
res = model.chat(
    image=None,
    msgs=msgs,
    tokenizer=tokenizer,
    sampling=True,
    stream=True
)

generated_text = ""
for new_text in res:
    generated_text += new_text
    print(new_text, flush=True, end='')

高级用法

多图像对话

import torch
from PIL import Image
from transformers import AutoModel, AutoTokenizer

model = AutoModel.from_pretrained('openbmb/MiniCPM-V-2_6', trust_remote_code=True,
    attn_implementation='sdpa', torch_dtype=torch.bfloat16) # sdpa or flash_attention_2, no eager
model = model.eval().cuda()
tokenizer = AutoTokenizer.from_pretrained('openbmb/MiniCPM-V-2_6', trust_remote_code=True)

image1 = Image.open('image1.jpg').convert('RGB')
image2 = Image.open('image2.jpg').convert('RGB')
question = 'Compare image 1 and image 2, tell me about the differences between image 1 and image 2.'

msgs = [{'role': 'user', 'content': [image1, image2, question]}]

answer = model.chat(
    image=None,
    msgs=msgs,
    tokenizer=tokenizer
)
print(answer)

上下文少样本学习

import torch
from PIL import Image
from transformers import AutoModel, AutoTokenizer

model = AutoModel.from_pretrained('openbmb/MiniCPM-V-2_6', trust_remote_code=True,
    attn_implementation='sdpa', torch_dtype=torch.bfloat16) # sdpa or flash_attention_2, no eager
model = model.eval().cuda()
tokenizer = AutoTokenizer.from_pretrained('openbmb/MiniCPM-V-2_6', trust_remote_code=True)

question = "production date" 
image1 = Image.open('example1.jpg').convert('RGB')
answer1 = "2023.08.04"
image2 = Image.open('example2.jpg').convert('RGB')
answer2 = "2007.04.24"
image_test = Image.open('test.jpg').convert('RGB')

msgs = [
    {'role': 'user', 'content': [image1, question]}, {'role': 'assistant', 'content': [answer1]},
    {'role': 'user', 'content': [image2, question]}, {'role': 'assistant', 'content': [answer2]},
    {'role': 'user', 'content': [image_test, question]}
]

answer = model.chat(
    image=None,
    msgs=msgs,
    tokenizer=tokenizer
)
print(answer)

视频对话

import torch
from PIL import Image
from transformers import AutoModel, AutoTokenizer
from decord import VideoReader, cpu    # pip install decord

model = AutoModel.from_pretrained('openbmb/MiniCPM-V-2_6', trust_remote_code=True,
    attn_implementation='sdpa', torch_dtype=torch.bfloat16) # sdpa or flash_attention_2, no eager
model = model.eval().cuda()
tokenizer = AutoTokenizer.from_pretrained('openbmb/MiniCPM-V-2_6', trust_remote_code=True)

MAX_NUM_FRAMES=64 # if cuda OOM set a smaller number

def encode_video(video_path):
    def uniform_sample(l, n):
        gap = len(l) / n
        idxs = [int(i * gap + gap / 2) for i in range(n)]
        return [l[i] for i in idxs]

    vr = VideoReader(video_path, ctx=cpu(0))
    sample_fps = round(vr.get_avg_fps() / 1)  # FPS
    frame_idx = [i for i in range(0, len(vr), sample_fps)]
    if len(frame_idx) > MAX_NUM_FRAMES:
        frame_idx = uniform_sample(frame_idx, MAX_NUM_FRAMES)
    frames = vr.get_batch(frame_idx).asnumpy()
    frames = [Image.fromarray(v.astype('uint8')) for v in frames]
    print('num frames:', len(frames))
    return frames

video_path ="video_test.mp4"
frames = encode_video(video_path)
question = "Describe the video"
msgs = [
    {'role': 'user', 'content': frames + [question]}, 
]

# Set decode params for video
params={}
params["use_image_id"] = False
params["max_slice_nums"] = 2 # use 1 if cuda OOM and video resolution >  448*448

answer = model.chat(
    image=None,
    msgs=msgs,
    tokenizer=tokenizer,
    **params
)
print(answer)

更多使用细节请查看GitHub。

📦 llama.cpp推理

MiniCPM-V 2.6可以使用llama.cpp运行。更多细节请查看我们的llama.cpp分支。

📦 Int4量化版本

下载Int4量化版本以减少GPU内存（7GB）使用：MiniCPM-V-2_6-int4。

📄 许可证

模型许可证

• 本仓库中的代码遵循Apache - 2.0许可证发布。
• MiniCPM-V系列模型权重的使用必须严格遵循MiniCPM模型许可证。
• MiniCPM的模型和权重完全免费用于学术研究。填写“问卷”进行注册后，MiniCPM-V 2.6的权重也可免费用于商业用途。

声明

• 作为一个多模态大语言模型，MiniCPM-V 2.6通过学习大量的多模态语料生成内容，但它无法理解、表达个人观点或进行价值判断。MiniCPM-V 2.6生成的任何内容均不代表模型开发者的观点和立场。
• 我们不对使用MinCPM-V模型所产生的任何问题负责，包括但不限于数据安全问题、舆论风险，或因模型的误导、误用、传播或滥用而产生的任何风险和问题。

🔍 关键技术及其他多模态项目

👏 欢迎探索MiniCPM-V 2.6的关键技术以及我们团队的其他多模态项目： VisCPM | RLHF-V | LLaVA-UHD | RLAIF-V

📚 引用

如果您觉得我们的工作有帮助，请考虑引用我们的论文 📝 并给这个项目点赞 ❤️！

@article{yao2024minicpm,
  title={MiniCPM-V: A GPT-4V Level MLLM on Your Phone},
  author={Yao, Yuan and Yu, Tianyu and Zhang, Ao and Wang, Chongyi and Cui, Junbo and Zhu, Hongji and Cai, Tianchi and Li, Haoyu and Zhao, Weilin and He, Zhihui and others},
  journal={arXiv preprint arXiv:2408.01800},
  year={2024}
}