Maya:基于 LLaVA 开发的多模态小模型,能理解和处理八种语言,适用于低资源环境

本文涉及的产品
图像搜索,任选一个服务类型 1个月
简介: Maya 是一个开源的多语言多模态模型,能够处理和理解八种不同语言,包括中文、法语、西班牙语、俄语、印地语、日语、阿拉伯语和英语。该模型基于LLaVA框架,通过指令微调和多语言数据集的预训练,提升了在视觉-语言任务中的表现,特别适用于低资源语言的内容生成和跨文化理解。

❤️ 如果你也关注 AI 的发展现状,且对 AI 应用开发非常感兴趣,我会每日跟你分享最新的 AI 资讯和开源应用,也会不定期分享自己的想法和开源实例,欢迎关注我哦!

🥦 微信公众号|搜一搜:蚝油菜花 🥦


🚀 快速阅读

  1. 多语言支持:Maya 支持八种语言,包括中文、法语、西班牙语、俄语、印地语、日语、阿拉伯语和英语。
  2. 多模态能力:结合图像和文本数据,执行图像描述、视觉问题回答等任务。
  3. 指令微调:通过指令微调提升模型对自然语言指令的理解和响应能力。

正文(附运行示例)

Maya 是什么

公众号: 蚝油菜花 - maya

Maya 是一个开源的多语言多模态模型,基于LLaVA框架开发。它通过指令微调和多语言数据集的预训练,扩展了模型在多种语言和文化背景下的能力。Maya 包含一个新创建的包含八种语言的预训练数据集,旨在提高视觉-语言任务中的文化和语言理解。

Maya 通过毒性分析和数据集过滤,确保训练数据的安全性和质量。它支持包括中文、法语、西班牙语、俄语、印地语、日语和阿拉伯语在内的多种语言,致力于提升低资源语言的AI内容生成质量。

Maya 的主要功能

  • 多语言支持:Maya 能处理和理解八种不同的语言,包括中文、法语、西班牙语、俄语、印地语、日语、阿拉伯语和英语,增强对低资源语言的支持。
  • 多模态能力:结合图像和文本数据,让机器基于自然语言理解视觉世界,执行图像描述、视觉问题回答等任务。
  • 指令微调:基于指令微调,更好地理解和响应自然语言指令,提升在实际应用中的性能和适应性。
  • 数据集创建与毒性过滤:创建多语言图像-文本预训练数据集,进行毒性分析和过滤,确保数据的安全性和质量。
  • 跨文化理解:基于多语言和多模态数据,更好地理解和处理不同文化背景下的视觉和语言信息。

Maya 的技术原理

  • 模型架构:基于LLaVA 1.5架构,使用Aya-23 8B模型作为多语言语言模型(LLM)和SigLIP作为视觉编码器,支持多语言和多模态输入。
  • 预训练数据集:创建包含558,000张图像的多语言图像-文本预训练数据集,涵盖八种语言,支持多语言视觉语言模型的开发。
  • 毒性分析:使用LLaVAGuard 7B和Toxic-BERT对数据集中的图像和文本进行毒性分析,识别和过滤掉不安全或有害的内容。
  • 预训练与微调:通过投影矩阵W将图像特征转换为语言特征,基于多轮对话数据进行预训练,优化图像和文本的对齐。在PALO 150K指令微调数据集上进行微调,进一步提升模型对指令的理解和响应能力。
  • 跨模态对齐:基于投影矩阵和训练策略,优化图像特征和语言特征之间的对齐,提高模型在视觉-语言任务中的表现。

如何运行 Maya

安装

以下步骤适用于 CUDA Version: 12.4 的环境。

  1. 克隆仓库并进入 Maya 目录:

    git clone https://github.com/nahidalam/maya
    cd maya
    
  2. 安装包:

    conda create -n maya python=3.10 -y
    conda activate maya
    pip install --upgrade pip  # 启用 PEP 660 支持
    pip install -e .
    
  3. 安装额外的训练包:

    pip install -e ".[train]"
    pip install flash-attn==2.6.3 --no-build-isolation --no-cache-dir
    

预训练

要预训练投影层,请按照以下步骤操作:

  • HuggingFace 获取预训练数据集,并将其放在 /dev/data/LLaVA_Pretrain 目录下。
  • 下载图像并将其放在 /dev/data/images 目录下:
    wget https://huggingface.co/datasets/liuhaotian/LLaVA-Pretrain/resolve/main/images.zip
    

运行预训练脚本:

bash scripts/maya/pretrain_aya_siglip.sh

指令微调

请从 MBZUAI/palo_multilingual_dataset 下载注释,并按照以下链接下载所有图像:

下载完成后,将数据组织如下:

instruction_tune_dataset
    ├── coco
    │   └── train2017
    ├── gqa
    │   └── images
    ├── ocr_vqa
    │   └── images
    ├── textvqa
    │   └── train_images
    └── vg
        ├── VG_100K
        └── VG_100K_2

palo_multilingual_dataset.json 放在 /dev/data/annotations/palo_multilingual_dataset.json 目录下。

确保在 scripts/maya/finetune_aya_siglip.sh 脚本中指定预训练模型的路径,然后运行:

bash scripts/maya/finetune_aya_siglip.sh

资源


❤️ 如果你也关注 AI 的发展现状,且对 AI 应用开发非常感兴趣,我会每日跟你分享最新的 AI 资讯和开源应用,也会不定期分享自己的想法和开源实例,欢迎关注我哦!

🥦 微信公众号|搜一搜:蚝油菜花 🥦

相关文章
|
26天前
|
文字识别 算法 语音技术
基于模型蒸馏的大模型文案生成最佳实践
本文介绍了基于模型蒸馏技术优化大语言模型在文案生成中的应用。针对大模型资源消耗高、部署困难的问题,采用EasyDistill算法框架与PAI产品,通过SFT和DPO算法将知识从大型教师模型迁移至轻量级学生模型,在保证生成质量的同时显著降低计算成本。内容涵盖教师模型部署、训练数据构建及学生模型蒸馏优化全过程,助力企业在资源受限场景下实现高效文案生成,提升用户体验与业务增长。
239 23
|
2月前
|
人工智能 弹性计算 API
再不玩通义 VACE 模型你就过时了!一个模型搞定所有视频任务
介绍通义的开源模型在 ecs 或 acs 场景如何一键部署和使用,如何解决不同视频生成场景的问题。
|
1月前
|
人工智能 JavaScript 测试技术
Cradle:颠覆AI Agent 操作本地软件,AI驱动的通用计算机控制框架,如何让基础模型像人一样操作你的电脑?
Cradle 是由 BAAI‑Agents 团队开源的通用计算机控制(GCC)多模态 AI Agent 框架,具备视觉输入、键鼠操作输出、自主学习与反思能力,可操作各类本地软件及游戏,实现任务自动化与复杂逻辑执行。
136 0
|
3月前
|
数据采集 人工智能 编解码
2025年颠覆闭源大模型?MonkeyOCR:这款开源AI文档解析模型,精度更高,速度更快!
还在依赖昂贵且慢的闭源OCR工具?华中科技大学开源的MonkeyOCR文档解析模型,以其超越GPT4o的精度和更快的推理速度,在单机单卡(3090)上即可部署,正颠覆业界认知。本文将深入解析其设计哲学、核心突破——大规模自建数据集,并分享实测体验与避坑指南。
962 87
|
2月前
|
人工智能 安全 API
用Qwen Code,体验全新AI编程——高效模型接入首选ModelGate
Qwen Code 是通义千问推出的AI编程助手,支持自然语言编程与智能代码生成,大幅提升开发效率。结合 ModelGate,可实现多模型统一管理、安全调用,解决API切换、权限控制、稳定性等问题,是Claude Code的理想国产替代方案。
|
2月前
|
人工智能 自然语言处理 vr&ar
通义首个音频生成模型 ThinkSound 开源,你的专业音效师
通义实验室推出首个音频生成模型ThinkSound,突破传统视频到音频生成技术局限,首次将思维链(CoT)应用于音频生成领域,实现高保真、强同步的空间音频生成。基于自研AudioCoT数据集,结合多模态大语言模型与统一音频生成模型,支持交互式编辑,显著提升音画匹配度与时序一致性。代码已开源,助力游戏、VR、AR等场景创新应用。
650 3

热门文章

最新文章