pipeline_tag: 图像-文本到文本 library_name: transformers license: apache-2.0 language:

• 英文 tags:
• 句子相似度
• 嵌入模型
• 零样本图像分类
• 视频-文本到文本 base_model: BAAI/Aquila-VL-2B-llava-qwen

LLaVE-2B

模型概述

LLaVE模型是基于Aquila-VL-2B模型的20亿参数多模态嵌入模型，具有4K tokens的上下文窗口。

• 代码库: LLaVE
• 论文: LLaVE

训练/评估数据

• 训练数据: https://huggingface.co/datasets/TIGER-Lab/MMEB-train
• 评估数据: https://huggingface.co/datasets/TIGER-Lab/MMEB-eval

使用说明

预期用途

该模型能够对文本、图像、多图像和视频进行嵌入表示。

MMEB排行榜

我们仅使用少量数据就在MMEB排行榜上取得了最高排名。

模型性能

LLaVE-2B在使用较少参数和66.2万训练对的情况下，在MMEB上取得了优异表现。

尽管LLaVE是在图像-文本数据上训练的，但它能以零样本方式泛化到文本-视频检索任务，并表现出色，展示了其迁移到其他嵌入任务的巨大潜力。

快速开始

首先克隆我们的GitHub仓库

git clone https://github.com/DeepLearnXMU/LLaVE
cd LLaVE
pip install -e ".[train]"

我们提供了使用模型的简单嵌入流程。更多细节请参考GitHub。

# pip install git+https://github.com/DeepLearnXMU/LLaVE


import torch
import copy
from PIL import Image
from llava.constants import IMAGE_TOKEN_INDEX, DEFAULT_IMAGE_TOKEN
from llava.conversation import conv_templates
from llava.model.builder import load_pretrained_model
from llava.mm_utils import tokenizer_image_token, process_images

pretrained = "zhibinlan/LLaVE-2B"
model_name = "llava_qwen"
device = "cuda"
device_map = "auto"
tokenizer, model, image_processor, max_length = load_pretrained_model(pretrained, None, model_name, device_map=device_map)  # 可以传入其他llava_model_args参数
model.eval()

# 图像+文本->文本
image = Image.open("figures/example.jpg")
image_tensor = process_images([image], image_processor, model.config)
image_tensor = [_image.to(dtype=torch.float16, device=device) for _image in image_tensor]
conv_template = "qwen_1_5"  # 确保为不同模型使用正确的对话模板

question = DEFAULT_IMAGE_TOKEN + " 用以下问题表示给定图像：图中有什么"
conv = copy.deepcopy(conv_templates[conv_template])
conv.append_message(conv.roles[0], question)
conv.append_message(conv.roles[1], "\n")
prompt_question = conv.get_prompt()
input_ids = tokenizer_image_token(prompt_question, tokenizer, IMAGE_TOKEN_INDEX, return_tensors="pt").unsqueeze(0).to(device)
attention_mask=input_ids.ne(tokenizer.pad_token_id)
image_sizes = [image.size]
query_embed = model.encode_multimodal_embeddings(input_ids, attention_mask=attention_mask,images=image_tensor, image_sizes=image_sizes)

target_string = "一只猫和一只狗"
conv = copy.deepcopy(conv_templates[conv_template])
conv.append_message(conv.roles[0], target_string)
conv.append_message(conv.roles[1], "\n")
target_string = conv.get_prompt()
target_input_ids = tokenizer(target_string, return_tensors="pt").input_ids.to(device)
attention_mask=target_input_ids.ne(tokenizer.pad_token_id)
target_embed = model.encode_multimodal_embeddings(target_input_ids, attention_mask=attention_mask)

print("一只猫和一只狗的相似度分数: ", query_embed @ target_embed.T)
# 2B: 一只猫和一只狗的相似度分数: tensor([[0.5132]]

neg_string = "一只猫和一只老虎"
conv = copy.deepcopy(conv_templates[conv_template])
conv.append_message(conv.roles[0], neg_string)
conv.append_message(conv.roles[1], "\n")
neg_string = conv.get_prompt()
neg_input_ids = tokenizer(neg_string, return_tensors="pt").input_ids.to(device)
attention_mask=neg_input_ids.ne(tokenizer.pad_token_id)
neg_embed = model.encode_multimodal_embeddings(neg_input_ids, attention_mask=attention_mask)
print("一只猫和一只老虎的相似度分数: ", query_embed @ neg_embed.T)
# 2B: 一只猫和一只老虎的相似度分数: tensor([[0.3809]]


# 文本->图像
pos_string = "根据给定描述找到匹配的日常图片：一只猫和一只狗。"
conv = copy.deepcopy(conv_templates[conv_template])
conv.append_message(conv.roles[0], pos_string)
conv.append_message(conv.roles[1], "\n")
pos_string = conv.get_prompt()
pos_input_ids = tokenizer(pos_string, return_tensors="pt").input_ids.to(device)
attention_mask=pos_input_ids.ne(tokenizer.pad_token_id)
pos_query_embed = model.encode_multimodal_embeddings(pos_input_ids, attention_mask=attention_mask)

target = DEFAULT_IMAGE_TOKEN + " 表示给定图像。"
conv = copy.deepcopy(conv_templates[conv_template])
conv.append_message(conv.roles[0], target)
conv.append_message(conv.roles[1], "\n")
prompt_target = conv.get_prompt()
target_input_ids = tokenizer_image_token(prompt_target, tokenizer, IMAGE_TOKEN_INDEX, return_tensors="pt").unsqueeze(0).to(device)
attention_mask=target_input_ids.ne(tokenizer.pad_token_id)
target_image_sizes = [image.size]
target_embed = model.encode_multimodal_embeddings(target_input_ids, attention_mask=attention_mask,images=image_tensor, image_sizes=target_image_sizes)

print("一只猫和一只狗的图像相似度分数: ", pos_query_embed @ target_embed.T)
# 2B: 一只猫和一只狗的相似度分数: tensor([[0.5225]]

neg_string = "根据给定描述找到匹配的日常图片：一只猫和一只老虎。"
conv = copy.deepcopy(conv_templates[conv_template])
conv.append_message(conv.roles[0], neg_string)
conv.append_message(conv.roles[1], "\n")
neg_string = conv.get_prompt()
neg_input_ids = tokenizer(neg_string, return_tensors="pt").input_ids.to(device)
attention_mask=neg_input_ids.ne(tokenizer.pad_token_id)
neg_query_embed = model.encode_multimodal_embeddings(neg_input_ids, attention_mask=attention_mask)

print("一只猫和一只老虎的图像相似度分数: ", neg_query_embed @ target_embed.T)
# 2B: 一只猫和一只狗的相似度分数: tensor([[0.4141]]

硬件与软件

• GPU: 8 * Nvidia A100 (40G) (用于完整模型训练)
• 训练框架: Huggingface Trainer
• 神经网络库: PyTorch

引用

@article{lan2025llave,
  title={LLaVE: 基于难度加权对比学习的大语言与视觉嵌入模型},
  author={蓝志斌, 牛力强, 孟凡栋, 周杰, 苏劲松},
  journal={arXiv预印本 arXiv:2503.04812},
  year={2025}
}