**性能强大且部署高效的多模态大模型**

OmniLMM-3B 🤗 🤖 | OmniLMM-12B 🤗 🤖

**OmniLMM** 是一系列善于处理图文输入的开源多模态大模型（LMMs）。该系列模型接受图像和文本输入，并提供高质量的文本输出。我们发布了两个版本的 OmniLMM，旨在实现**强大的性能和高效的部署**： - **OmniLMM-12B**：相比同规模其他模型在多个基准测试中具有领先性能。 - **OmniLMM-3B**：可在终端设备上部署并具备先进的多模态对话能力。 [English Document](./README.md) ## 目录 - [OmniLMM-12B](#omnilmm-12b) - [OmniLMM-3B](#omnilmm-3b) - [体验](#demo) - [安装](#install) - [推理](#inference) - [模型库](#model-zoo) ## OmniLMM-12B **OmniLMM-12B** 是当前系列中性能最强大的版本。该模型使用一个感知重采样层连接 EVA02-5B 和 Zephyr-7B-β 来构建，采用了课程学习的方法在多模态数据上进行训练。该模型具有三个显著特征： - 🔥 **卓越性能。** OmniLMM-12B 相比其他同规模模型在多个基准测试中取得**领先的性能**（包括 MME、MMBench、SEED-Bench 等）。该模型还**支持OCR功能**，并掌握了**丰富的多模态世界知识**。 - 🏆 **可信行为。** LMMs 的幻觉问题备受关注，模型经常生成和图像中的事实不符的文本（例如，信誓旦旦地描述图片中并不存在的物体）。OmniLMM-12B是 **第一个通过多模态 RLHF 对齐的最新开源 LMM 来实现可信行为**（通过我们最近提出的 [RLHF-V](https://rlhf-v.github.io/) 技术）。该模型在 [MMHal-Bench](https://huggingface.co/datasets/Shengcao1006/MMHal-Bench) 幻觉评测基准上位列开源模型中**第一**，并在 [Object HalBench](https://arxiv.org/abs/2312.00849) 中**超过了 GPT-4V**。 - 🕹 **实时多模态交互。** 我们将 OmniLMM-12B 和 GPT-3.5 结合成一个**实时多模态交互助手**。该助手接受来自相机的视频流和来自麦克风的语音流，并发出语音输出。虽然还处于初级阶段，但我们也发现该模型**无需视频编辑**就可以**复现出现在 Gemini 演示视频中的一些有趣例子**。 ### 性能评估

Model	Size	MME	MMB dev (en)	MMMU val	MMHal-Bench	Object HalBench	SeedBench-I	MathVista	LLaVA Bench W
GPT-4V†	-	1409	75.1	56.8	3.53 / 70.8	86.4 / 92.7	71.6	47.8	93.1
Qwen-VL-Plus†	-	1681	66.2	45.2	-	-	65.7	36.0	73.7
Yi-VL 6B	6.7B	-	68.2	39.1	-	-	66.1	28.0	39.9
Qwen-VL-Chat	9.6B	1488	60.6	35.9	2.93 / 59.4	56.2 / 80.0	64.8	33.8	67.7
CogVLM	17.4B	1438	63.7	32.1	2.68 / 52.1	73.6 / 87.4	68.8	34.7	73.9
LLaVA 1.5	13.6B	1531	68.2	36.4	2.71 / 51.0	53.7 / 77.4	68.1	26.4	64.6
OmniLMM-12B	11.6B	1637	71.6	40.7	3.45 / 68.8	90.3 / 95.5	71.1	34.9	72.0

†: 闭源模型 ## OmniLMM-3B **OmniLMM-3B**（即 MiniCPM-V）是一种我们的高效率版本模型，可用于终端机器上的部署。该模型基于 SigLip-400M 和 MiniCPM-2.4B 构建，通过感知器重采样器连接。OmniLMM-3B的显著特点包括： - ⚡️ **高效率。** OmniLMM-3B 可以**高效地部署在大多数GPU卡和个人电脑上**，甚至**在移动手机等终端设备上**。在视觉编码方面，我们通过感知器重采样器将图像表示压缩为 64 个 token，远远少于基于MLP架构的其他LMMs（通常大于 512 个 token）。这使得 OmniLMM-3B 在推理期间**内存成本更低且速度更快**。 - 🔥 **优秀的性能。** OmniLMM-3B 在与相似大小模型相比的多个基准测试中实现了**最先进的性能**，超过了基于 Phi-2构建的现有 LMMs。它甚至**实现了与9.6B Qwen-VL-Chat 相媲美或更好的性能**。 - 🙌 **双语支持。** OmniLMM-3B 是**第一个支持英语和中文双语多模态交互的终端可部署 LMM**。这是通过跨语言泛化多模态能力实现的，这是我们 ICLR 2024 [spotlight 论文](https://arxiv.org/abs/2308.12038)中的一项技术。 ### Evaluation

Model	Size	MME	MMB dev (en)	MMB dev (zh)	MMMU val	CMMMU val
LLaVA-Phi	3B	1335	59.8	-	-	-
MobileVLM	3B	1289	59.6	-	-	-
Imp-v1	3B	1434	66.5	-	-	-
Qwen-VL-Chat	9.6B	1487	60.6	56.7	35.9	30.7
CogVLM	17.4B	1438	63.7	53.8	32.1	-
OmniLMM-3B	3B	1452	67.3	61.9	34.7	32.1

### 样例展示

## 体验你可以通过以下链接尝试使用我们的网页端推理服务： [OmniLMM-12B](http://120.92.209.146:8081) ｜ [OmniLMM-3B](http://120.92.209.146:80). ## 安装 1. Clone this repository and navigate to the source folder ```bash git clone https://github.com/OpenBMB/OmniLMM.git cd OmniLMM ``` 2. Create conda environment ```Shell conda create -n OmniLMM python=3.10 -y conda activate OmniLMM ``` 3. Install dependencies ```shell pip install -r requirements.txt ``` ## 推理 ### 模型库 | 模型 | 简介 | 下载链接 | |:----------------------|:-------------------|:---------------:| | OmniLMM-12B | 更强大的性能表现 | [🤗](https://huggingface.co/openbmb/OmniLMM-12B)

| | OmniLMM-3B | 支持终端设备上的高效部署，性能优秀 | [🤗](https://huggingface.co/openbmb/MiniCPM-V)

| ### 多轮对话请参考以下代码运行 `OmniLMM` 的推理服务。

##### OmniLMM-12B ```python from chat import OmniLMMChat, img2base64 chat_model = OmniLMMChat('openbmb/OmniLMM-12B') im_64 = img2base64('./assets/COCO_test2015_000000262144.jpg') # First round chat msgs = [{"role": "user", "content": "What are the people doing?"}] inputs = {"image": im_64, "question": json.dumps(msgs)} answer = chat_model.process(inputs) print(answer) # Second round chat # pass history context of multi-turn conversation msgs.append({"role": "assistant", "content": answer}) msgs.append({"role": "user", "content": "Describe the image"}) inputs = {"image": im_64, "question": json.dumps(msgs)} answer = chat_model.process(inputs) print(answer) ``` We can obtain the following results: ``` "The people in the image are playing baseball. One person is pitching a ball, another one is swinging a bat to hit it, and there's also an umpire present who appears to be watching the game closely." "The image depicts a baseball game in progress. A pitcher is throwing the ball, while another player is swinging his bat to hit it. An umpire can be seen observing the play closely." ``` ##### OmniLMM-3B ```python import torch from PIL import Image from transformers import AutoModel, AutoTokenizer model_path='openbmb/MiniCPM-V' model = AutoModel.from_pretrained(model_path, trust_remote_code=True).to(dtype=torch.bfloat16) tokenizer = AutoTokenizer.from_pretrained(model_path, trust_remote_code=True) model.eval().cuda() image = Image.open('./assets/COCO_test2015_000000262144.jpg').convert('RGB') question = '请描述一下该图像' res, context, _ = model.chat( image=image, question=question, context=None, tokenizer=tokenizer, sampling=True, temperature=0.7 ) print(res) ``` ## ✅ 未来计划 - [ ] 支持模型微调 - [ ] 本地可视化部署 - [ ] 实时多模态交互代码开源 ## 模型协议本仓库中代码依照 Apache-2.0 协议开源 OmniLMMs 模型权重的使用则需要遵循 “[通用模型许可协议-来源说明-宣传限制-商业授权](https://github.com/OpenBMB/General-Model-License/blob/main/通用模型许可协议-来源说明-宣传限制-商业授权.md)”。 OmniLMMs 模型权重对学术研究完全开放。如需将模型用于商业用途，请联系 cpm@modelbest.cn 来获取书面授权，在登记后亦允许免费商业使用。 ## 声明作为多模态大模型，OmniLMMs 通过学习大量的多模态语料来生成内容，但它无法理解、表达个人观点或价值判断，它所输出的任何内容都不代表模型开发者的观点和立场。因此用户在使用 OmniLMMs 生成的内容时，应自行负责对其进行评估和验证。如果由于使用 OmniLMMs 开源模型而导致的任何问题，包括但不限于数据安全问题、公共舆论风险，或模型被误导、滥用、传播或不当利用所带来的任何风险和问题，我们将不承担任何责任。 ## 🏫 机构本项目由以下机构共同开发： -

[清华大学自然语言处理实验室](https://nlp.csai.tsinghua.edu.cn/) -

[面壁智能](https://modelbest.cn/) -

[知乎](https://www.zhihu.com/ )