MiniCPM-o/README_zh.md

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

目录

• OmniLMM-12B
• OmniLMM-3B
• 体验
• 安装
• 推理
• 模型库

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 技术）。该模型在 MMHal-Bench 幻觉评测基准上位列开源模型中第一，并在 Object HalBench 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 ｜ OmniLMM-3B.

安装

1. Clone this repository and navigate to the source folder

git clone https://github.com/OpenBMB/OmniLMM.git
cd OmniLMM

2. Create conda environment

conda create -n OmniLMM python=3.10 -y
conda activate OmniLMM

3. Install dependencies

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	🤗
OmniLMM-3B	支持终端设备上的高效部署，性能优秀	🤗

多轮对话

请参考以下代码运行 OmniLMM 的推理服务。

OmniLMM-12B

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

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”。

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
• 面壁智能
• 知乎