🚀 图像文本转换模型 Pixtral-12b-NF4

本项目是一个图像文本转换模型，基于 mistral-community/pixtral-12b 模型转换而来，采用了 BitsAndBytes 的 NF4（4 位）量化技术，无需双重量化。该模型可用于图像描述生成等任务，具有一定的性能和效果。

🚀 快速开始

本模型由 mistral-community/pixtral-12b 使用 BitsAndBytes 结合 NF4（4 位）量化转换而来，未使用双重量化。加载此模型需要安装 bitsandbytes 库。

💻 使用示例

基础用法

以下是一个图像描述生成的示例代码：

from transformers import LlavaForConditionalGeneration, AutoProcessor, BitsAndBytesConfig
from PIL import Image
import time

# Load model
model_id = "SeanScripts/pixtral-12b-nf4"
model = LlavaForConditionalGeneration.from_pretrained(
    model_id,
    use_safetensors=True,
    device_map="cuda:0"
)
# Load tokenizer
processor = AutoProcessor.from_pretrained(model_id)

# Caption a local image
IMG_URLS = [Image.open("test.png").convert("RGB")]
PROMPT = "<s>[INST]Caption this image:\n[IMG][/INST]"

inputs = processor(images=IMG_URLS, text=PROMPT, return_tensors="pt").to("cuda")
prompt_tokens = len(inputs['input_ids'][0])
print(f"Prompt tokens: {prompt_tokens}")

t0 = time.time()
generate_ids = model.generate(**inputs, max_new_tokens=512)
t1 = time.time()
total_time = t1 - t0
generated_tokens = len(generate_ids[0]) - prompt_tokens
time_per_token = generated_tokens/total_time
print(f"Generated {generated_tokens} tokens in {total_time:.3f} s ({time_per_token:.3f} tok/s)")

output = processor.batch_decode(generate_ids, skip_special_tokens=True, clean_up_tokenization_spaces=False)[0]
print(output)

性能表现

在 4090 显卡上，该模型每秒大约能生成 10 - 12 个 token（未使用 Flash Attention），生成的图像描述效果不错，不过测试样本数量有限。模型运行大约需要 10GB 的显存。

相关资源

你可以从以下链接获取用于运行此模型的 ComfyUI 自定义节点： https://github.com/SeanScripts/ComfyUI-PixtralLlamaVision

📄 许可证

本项目采用 Apache-2.0 许可证。