简介

在人工智能领域，北京人工智能学会（BAAI）做出了重要贡献： 在人工智能领域，北京人工智能研究所（BAAI）开发的 Aquila-VL-2B-llava-qwen 模型做出了重大贡献。这一创新模型建立在 LLava-one-vision 框架之上，展示了视觉语言模型（VLM）在理解和处理视觉和文本数据方面的潜力。

模型架构

Aquila-VL-2B-llava-qwen 是一款功能强大的视觉语言模型，采用 Qwen2.5-1.5B-instruct 模型作为其大语言模型（LLM）组件。该 LLM 负责理解和生成文本，使模型能够处理复杂的语言结构。视觉塔（siglip-so400m-patch14-384）在图像理解方面起着至关重要的作用，使模型能够有效地分析和解释视觉信息。

训练数据

该模型的优势在于其训练数据集 Infinity-MM，这是一个包含约 4000 万对图像和文本的庞大数据集。该数据集融合了从互联网上收集的开源数据和使用开源 VLM 模型生成的合成指令数据。通过在如此多样化和广泛的数据集上进行训练，Aquila-VL-2B-llava-qwen 获得了对视觉和语言概念的全面理解。

开源和评估： BAAI 慷慨地开源了 Infinity-MM 数据集，使研究人员和开发人员能够探索和利用这一宝贵资源。使用不同 GPU 训练的 Aquila-VL-2B-CG 模型也将很快公布。使用 VLMEvalKit 工具对模型的性能进行了评估，以确保对其能力进行全面评估。

Benchmark	MiniCPM-V-2	InternVL2-2B	XinYuan-VL-2B	Qwen2-VL-2B-Instruct	Aquila-VL-2B
MMBench-ENtest	69.4	73.4	78.9	74.9	78.8
MMBench-CNtest	65.9	70.9	76.1	73.9	76.4
MMBench_V1.1test	65.2	69.7	75.4	72.7	75.2
MMT-Benchtest	54.5	53.3	57.2	54.8	58.2
RealWorldQA	55.4	57.3	63.9	62.6	63.9
HallusionBench	36.8	38.1	36.0	41.5	43.0
SEEDBench2plus	51.8	60.0	63.0	62.4	63.0
LLaVABench	66.1	64.8	42.4	52.5	68.4
MMStar	41.6	50.2	51.9	47.8	54.9
POPE	86.6	85.3	89.4	88.0	83.6
MMVet	44.0	41.1	42.7	50.7	44.3
MMMUval	39.6	34.9	43.6	41.7	47.4
ScienceQAtest	80.4	94.1	86.6	78.1	95.2
AI2Dtest	64.8	74.4	74.2	74.6	75.0
MathVistatestmini	39.0	45.0	47.1	47.9	59.0
MathVersetestmini	19.8	24.7	22.2	21.0	26.2
MathVision	15.4	12.6	16.3	17.5	18.4
DocVQAtest	71.0	86.9	87.6	89.9	85.0
InfoVQAtest	40.0	59.5	59.1	65.4	58.3
ChartQAtest	59.6	71.4	57.1	73.5	76.5
TextVQAval	74.3	73.5	77.6	79.9	76.4
OCRVQAtestcore	54.4	40.2	67.6	68.7	64.0
VCRen easy	27.6	51.6	67.7	68.3	70.0
OCRBench	613	784	782	810	772
Average	53.5	58.8	60.9	62.1	64.1

对于比较模型，评估是在本地环境中进行的，因此得分可能与论文或 VLMEvalKit 官方排行榜上的报告略有不同。

代码

# pip install git+https://github.com/LLaVA-VL/LLaVA-NeXT.git
from llava.model.builder import load_pretrained_model
from llava.mm_utils import process_images, tokenizer_image_token
from llava.constants import IMAGE_TOKEN_INDEX, DEFAULT_IMAGE_TOKEN
from llava.conversation import conv_templates
from PIL import Image
import requests
import copy
import torch
import warningswarnings.filterwarnings("ignore")pretrained = "BAAI/Aquila-VL-2B-llava-qwen"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)  # Add any other thing you want to pass in llava_model_argsmodel.eval()# load image from url
url = "https://github.com/haotian-liu/LLaVA/blob/1a91fc274d7c35a9b50b3cb29c4247ae5837ce39/images/llava_v1_5_radar.jpg?raw=true"
image = Image.open(requests.get(url, stream=True).raw)# load image from local environment
# url = "./local_image.jpg"
# image = Image.open(url)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"  # Make sure you use correct chat template for different models
question = DEFAULT_IMAGE_TOKEN + "\nWhat is shown in this image?"
conv = copy.deepcopy(conv_templates[conv_template])
conv.append_message(conv.roles[0], question)
conv.append_message(conv.roles[1], None)
prompt_question = conv.get_prompt()input_ids = tokenizer_image_token(prompt_question, tokenizer, IMAGE_TOKEN_INDEX, return_tensors="pt").unsqueeze(0).to(device)
image_sizes = [image.size]cont = model.generate(input_ids,images=image_tensor,image_sizes=image_sizes,do_sample=False,temperature=0,max_new_tokens=4096,
)text_outputs = tokenizer.batch_decode(cont, skip_special_tokens=True)print(text_outputs)

结论

BAAI 的 Aquila-VL-2B-llava-qwen 代表着视觉语言理解领域的重大进步。通过将功能强大的 LLM 和视觉塔组件与丰富多样的训练数据集相结合，该模型展示了在图像识别、自然语言处理等各种应用中改进人工智能系统的潜力。Infinity-MM 数据集的开源进一步鼓励了人工智能界的合作与创新。