语言：英语
许可证：MIT
标签：

• 视觉
• 图像到文本
• 图像描述生成
• 视觉问答
  流水线任务：图像到文本
  推理：不支持

使用 bitsandbytes 进行量化
8位 / fp4 / float16 / Safetensors
-🥱 一般水平

BLIP-2，OPT-6.7b，仅预训练版本

BLIP-2 模型，基于 OPT-6.7b（一个拥有67亿参数的大型语言模型）。
该模型由 Li 等人在论文 BLIP-2: 通过冻结图像编码器与大型语言模型引导语言-图像预训练 中提出，并首次发布于 此代码库。

免责声明：发布 BLIP-2 的团队未为此模型编写模型卡，因此本模型卡由 Hugging Face 团队撰写。

模型描述

BLIP-2 包含三个模型：一个类似 CLIP 的图像编码器、一个查询转换器（Q-Former）以及一个大型语言模型。

作者从预训练检查点初始化图像编码器和大型语言模型的权重，并保持其冻结状态，同时训练查询转换器。查询转换器是一个类似 BERT 的 Transformer 编码器，它将一组“查询标记”映射为查询嵌入，从而弥合图像编码器与大型语言模型之间的嵌入空间差距。

该模型的目标是简单地预测下一个文本标记，给定查询嵌入和先前的文本。

这使得该模型可用于以下任务：

• 图像描述生成
• 视觉问答（VQA）
• 通过将图像和先前的对话作为提示输入模型，进行类似聊天的对话

直接使用与下游应用

您可以将原始模型用于给定图像和可选文本的条件文本生成。请访问 模型中心 查找您感兴趣任务的微调版本。

偏见、风险、限制与伦理考量

BLIP2-OPT 使用现成的 OPT 作为语言模型，继承了 Meta 模型卡中提到的相同风险和限制。

与其他大型语言模型一样，训练数据的多样性（或缺乏多样性）会影响模型的下游质量，OPT-175B 在偏见和安全性方面存在局限性。OPT-175B 在生成多样性和幻觉方面也可能存在质量问题。总的来说，OPT-175B 无法避免困扰现代大型语言模型的一系列问题。

BLIP2 在从互联网收集的图像-文本数据集（如 LAION）上进行了微调。因此，模型本身可能容易生成类似的不当内容或复制底层数据中的固有偏见。

BLIP2 尚未在现实世界应用中进行测试，不应直接部署于任何应用中。研究人员应首先仔细评估模型在特定部署环境中的安全性和公平性。

使用方法

关于代码示例，请参阅 文档。