首个专为评估任务开发的开源视觉语言模型,与GPT-4V和人类评估者均展现出高度相关性
下载量 121
发布时间 : 1/14/2024
模型介绍
内容详情
替代品
模型简介
普罗米修斯视觉是一个视觉语言模型,专门设计用于评估任务,能够根据图像、指令、待评估回答、评分标准和参考答案生成语言反馈和分数判定。
模型特点
多组件评估能力
能够处理图像、指令、待评估回答、评分标准和参考答案五个输入组件,生成详细反馈和评分
与GPT-4V高度相关
评估结果与GPT-4V和人类评估者展现出高度相关性,具备替代GPT-4V评估的潜力
细粒度评分
提供1-5分的细粒度评分,并附带详细的评估反馈
模型能力
图像理解
文本生成
视觉问答
回答评估
反馈生成
使用案例
教育评估
视觉问答系统评估
评估视觉问答系统的回答质量
提供与人类评估高度一致的评分和反馈
内容审核
图像内容合规性评估
评估图像相关内容的合规性和适当性
生成详细的合规性评估报告
license: apache-2.0 datasets:
- kaist-ai/Perception-Collection
- kaist-ai/Perception-Bench language:
- en metrics:
- pearsonr
- spearmanr library_name: transformers pipeline_tag: image-to-text tags:
- 图像转文本
- 视觉问答
- 文本生成
参考链接
- 主页: https://kaistai.github.io/prometheus-vision/
- 代码库: https://github.com/kaistAI/prometheus-vision
- 论文: https://arxiv.org/abs/2401.06591
- 联系邮箱: seongyun@kaist.ac.kr
摘要
普罗米修斯视觉(Prometheus-Vision)是首个专为评估任务开发的开源视觉语言模型。该模型与GPT-4V和人类评估者均展现出高度相关性,表明其具备替代GPT-4V评估的潜力。
普罗米修斯视觉包含五个输入组件(图像、指令、待评估回答、定制评分标准、参考答案)和两个输出组件(语言反馈与分数判定)。
模型详情
模型描述
- 模型类型: 视觉语言模型
- 支持语言: 英语
- 许可协议: Apache 2.0
- 关联模型: 所有普罗米修斯检查点
- 更多资源:
普罗米修斯视觉提供两种参数量版本(7B和13B)。 7B版本模型详见此页面。 我们的数据集可访问此页面。
提示格式
普罗米修斯视觉需要包含五个组件的输入:图像、指令、待评估回答、评分标准和参考答案。具体格式如下: 需填写指令内容、待评估回答、参考答案、标准描述以及1-5分对应的评分描述。
###任务描述:
给定包含输入内容的指令、待评估回答、得分为5的参考答案、图像以及代表评估标准的评分准则。
1. 根据评分标准(非总体评价)严格撰写详细反馈
2. 反馈后给出1-5分的整数评分
3. 输出格式应为:"反馈:(撰写标准反馈)[结果](1-5分整数)"
4. 请勿生成任何开头、结尾或其他解释性内容
###待评估指令:
{instruction}
###待评估回答:
{response}
###参考答案(5分):
{reference_answer}
###评分标准:
[{criteria_description}]
1分: {score1_description}
2分: {score2_description}
3分: {score3_description}
4分: {score4_description}
5分: {score5_description}
###反馈:
许可协议
Perception Collection数据集和普罗米修斯视觉模型受OpenAI生成数据使用条款约束。如发现违规使用,请联系我们。
使用指南
以下是使用transformers
库调用模型的示例代码:
PyTorch模型调用
GPU运行示例
点击展开
import argparse
import torch
import os
import json
from tqdm import tqdm
import shortuuid
from llava.constants import IMAGE_TOKEN_INDEX, DEFAULT_IMAGE_TOKEN, DEFAULT_IM_START_TOKEN, DEFAULT_IM_END_TOKEN
from llava.conversation import conv_templates, SeparatorStyle
from llava.model.builder import load_pretrained_model
from llava.utils import disable_torch_init
from llava.mm_utils import tokenizer_image_token, get_model_name_from_path, KeywordsStoppingCriteria
from PIL import Image
import math
def split_list(lst, n):
"""将列表分割为n个近似等长的子列表"""
chunk_size = math.ceil(len(lst) / n) # 整数除法
return [lst[i:i+chunk_size] for i in range(0, len(lst), chunk_size)]
def get_chunk(lst, n, k):
chunks = split_list(lst, n)
return chunks[k]
def eval_model(args):
# 模型加载
disable_torch_init()
model_path = 'kaist-ai/prometheus-vision-13b-v1.0'
model_name = 'llava-v1.5'
tokenizer, model, image_processor, context_len = load_pretrained_model(model_path, args.model_base, model_name)
questions = [json.loads(q) for q in open(os.path.expanduser(args.question_file), "r")]
questions = get_chunk(questions, args.num_chunks, args.chunk_idx)
answers_file = os.path.expanduser(args.answers_file)
os.makedirs(os.path.dirname(answers_file), exist_ok=True)
ans_file = open(answers_file, "w")
for line in tqdm(questions):
idx = line["question_id"]
image_file = line["image"]
qs = line["text"]
cur_prompt = qs
if model.config.mm_use_im_start_end:
qs = DEFAULT_IM_START_TOKEN + DEFAULT_IMAGE_TOKEN + DEFAULT_IM_END_TOKEN + '\n' + qs
else:
qs = DEFAULT_IMAGE_TOKEN + '\n' + qs
conv = conv_templates[args.conv_mode].copy()
conv.append_message(conv.roles[0], qs)
conv.append_message(conv.roles[1], None)
prompt = conv.get_prompt()
input_ids = tokenizer_image_token(prompt, tokenizer, IMAGE_TOKEN_INDEX, return_tensors='pt').unsqueeze(0).cuda()
image = Image.open(os.path.join(args.image_folder, image_file))
image_tensor = image_processor.preprocess(image, return_tensors='pt')['pixel_values'][0]
stop_str = conv.sep if conv.sep_style != SeparatorStyle.TWO else conv.sep2
keywords = [stop_str]
stopping_criteria = KeywordsStoppingCriteria(keywords, tokenizer, input_ids)
with torch.inference_mode():
output_ids = model.generate(
input_ids,
images=image_tensor.unsqueeze(0).half().cuda(),
do_sample=True if args.temperature > 0 else False,
temperature=args.temperature,
top_p=args.top_p,
num_beams=args.num_beams,
max_new_tokens=1024,
use_cache=True)
input_token_len = input_ids.shape[1]
n_diff_input_output = (input_ids != output_ids[:, :input_token_len]).sum().item()
if n_diff_input_output > 0:
print(f'[警告] 有{n_diff_input_output}个输出标记与输入标记不一致')
outputs = tokenizer.batch_decode(output_ids[:, input_token_len:], skip_special_tokens=True)[0]
outputs = outputs.strip()
if outputs.endswith(stop_str):
outputs = outputs[:-len(stop_str)]
outputs = outputs.strip()
ans_id = shortuuid.uuid()
ans_file.write(json.dumps({"question_id": idx,
"prompt": cur_prompt,
"text": outputs,
"answer_id": ans_id,
"model_id": model_name,
"metadata": {}}) + "\n")
ans_file.flush()
ans_file.close()
if __name__ == "__main__":
parser = argparse.ArgumentParser()
parser.add_argument("--model-path", type=str, default="facebook/opt-350m")
parser.add_argument("--model-base", type=str, default=None)
parser.add_argument("--image-folder", type=str, default="")
parser.add_argument("--question-file", type=str, default="tables/question.jsonl")
parser.add_argument("--answers-file", type=str, default="answer.jsonl")
parser.add_argument("--conv-mode", type=str, default="llava_v1")
parser.add_argument("--num-chunks", type=int, default=1)
parser.add_argument("--chunk-idx", type=int, default=0)
parser.add_argument("--temperature", type=float, default=0.2)
parser.add_argument("--top_p", type=float, default=None)
parser.add_argument("--num_beams", type=int, default=1)
args = parser.parse_args()
eval_model(args)
引用
如果您觉得本模型有帮助,请引用我们的论文!
BibTeX格式:
@misc{lee2024prometheusvision,
title={普罗米修斯视觉:作为细粒度评估裁判的视觉语言模型},
author={李成允 and 金承恩 and 朴秀贤 and 金基旭 and 徐敏俊},
year={2024},
eprint={2401.06591},
archivePrefix={arXiv},
primaryClass={cs.CL}
}
Clip Vit Large Patch14
CLIP是由OpenAI开发的视觉-语言模型,通过对比学习将图像和文本映射到共享的嵌入空间,支持零样本图像分类
图像生成文本
C
openai
44.7M
1,710
Clip Vit Base Patch32
CLIP是由OpenAI开发的多模态模型,能够理解图像和文本之间的关系,支持零样本图像分类任务。
图像生成文本
C
openai
14.0M
666
Siglip So400m Patch14 384
Apache-2.0
SigLIP是基于WebLi数据集预训练的视觉语言模型,采用改进的sigmoid损失函数,优化了图像-文本匹配任务。
图像生成文本
Transformers

S
google
6.1M
526
Clip Vit Base Patch16
CLIP是由OpenAI开发的多模态模型,通过对比学习将图像和文本映射到共享的嵌入空间,实现零样本图像分类能力。
图像生成文本
C
openai
4.6M
119
Blip Image Captioning Base
Bsd-3-clause
BLIP是一个先进的视觉-语言预训练模型,擅长图像描述生成任务,支持条件式和非条件式文本生成。
图像生成文本
Transformers

B
Salesforce
2.8M
688
Blip Image Captioning Large
Bsd-3-clause
BLIP是一个统一的视觉-语言预训练框架,擅长图像描述生成任务,支持条件式和无条件式图像描述生成。
图像生成文本
Transformers

B
Salesforce
2.5M
1,312
Openvla 7b
MIT
OpenVLA 7B是一个基于Open X-Embodiment数据集训练的开源视觉-语言-动作模型,能够根据语言指令和摄像头图像生成机器人动作。
图像生成文本
Transformers

英语
O
openvla
1.7M
108
Llava V1.5 7b
LLaVA 是一款开源多模态聊天机器人,基于 LLaMA/Vicuna 微调,支持图文交互。
图像生成文本
Transformers

L
liuhaotian
1.4M
448
Vit Gpt2 Image Captioning
Apache-2.0
这是一个基于ViT和GPT2架构的图像描述生成模型,能够为输入图像生成自然语言描述。
图像生成文本
Transformers

V
nlpconnect
939.88k
887
Blip2 Opt 2.7b
MIT
BLIP-2是一个视觉语言模型,结合了图像编码器和大型语言模型,用于图像到文本的生成任务。
图像生成文本
Transformers

英语
B
Salesforce
867.78k
359
精选推荐AI模型
Llama 3 Typhoon V1.5x 8b Instruct
专为泰语设计的80亿参数指令模型,性能媲美GPT-3.5-turbo,优化了应用场景、检索增强生成、受限生成和推理任务
大型语言模型
Transformers

支持多种语言
L
scb10x
3,269
16
Cadet Tiny
Openrail
Cadet-Tiny是一个基于SODA数据集训练的超小型对话模型,专为边缘设备推理设计,体积仅为Cosmo-3B模型的2%左右。
对话系统
Transformers

英语
C
ToddGoldfarb
2,691
6
Roberta Base Chinese Extractive Qa
基于RoBERTa架构的中文抽取式问答模型,适用于从给定文本中提取答案的任务。
问答系统
中文
R
uer
2,694
98
AIbase是一个专注于MCP服务的平台,为AI开发者提供高质量的模型上下文协议服务,助力AI应用开发。
简体中文