xGen-MM (BLIP-3)
Sin estimación
Sin requisitos de hardware para este modelo
Los pesos para este modelo no han sido publicados, por lo que no se puede descargar ni ejecutar en tu propio hardware de ningún tamaño. Solo se puede acceder a través de su proveedor, y ningún cambio de tarjeta gráfica eso..
En registro
especificación completa
Todo en archivo para este modelo. La mayor parte describe cómo fue entrenado en lugar de cómo se ejecuta — contexto útil para juzgar cuánto trabajo se invirtió en él y cómo se compara con modelos construidos a una escala diferente..
Origen
Quién construyó este modelo, dónde, y cuándo fue publicado.
- Organización
- Salesforce Research,University of Washington
- Tipo de Organización
- Industry,Academia
- País
- United States of America
- Publicado
- 16 August 2024
- Autores
- Le Xue, Manli Shu, Anas Awadalla, Jun Wang, An Yan, Senthil Purushwalkam, Honglu Zhou, Viraj Prabhu, Yutong Dai, Michael S Ryoo, Shrikant Kendre, Jieyu Zhang, Can Qin, Shu Zhang, Chia-Chih Chen, Ning Yu, Juntao Tan, Tulika Manoj Awalgaonkar, Shelby Heinecke, Huan Wang, Yejin Choi, Ludwig Schmidt, Zeyuan Chen, Silvio Savarese, Juan Carlos Niebles, Caiming Xiong, Ran Xu
Lo que hace
Las áreas problemáticas para las que se construyó el modelo. Un modelo puede llevar varios de cada uno.
- Dominio
- Multimodal, Vision, Language
- Tarea
- Image captioning, Character recognition (OCR), Visual question answering, Chat
- Modelo base
- phi-3-mini 3.8B
Tamaño
Qué tan grande es el modelo y cuántos datos se usaron para su entrenamiento. Los parámetros son la cifra que decide si se ajusta en una tarjeta gráfica dada.
- parámetros
- 4B
- Datos de entrenamiento
- tokens
Table 1: shows the model is called xGen-MM-base (4B)
"About 100B multimodal tokens" for pretraining SFT phase: "Ultimately, we collect a mixture of 1 million publically available instruction-tuning samples, on which we fine-tune our model for one epoch." DPO phase: "We thus generate 62.6k preference examples" LoRA phase Safety Fine-tuning phase: "2k examples of unsafe images and instructions...5k additional examples from the instruction fine-tuning dataset" Total is about 100 billion.
Cómputo de entrenamiento
La aritmética realizada para entrenar el modelo, medida en operaciones de punto flotante. Es una medida de lo que costó la ejecución del entrenamiento, no de qué tan rápido te responde el modelo terminado.
- Cómputo de entrenamiento
- 2.4 × 10²¹ FLOP
Assuming 1 epoch and dense architecture (phi-3 mini is a dense model), compute = 6 * 4B * 100B = 2.4e+21 FLOP.
Cómo está clasificado
Etiquetas que el conjunto de datos fuente aplica al rastrear modelos notables y cuán confiable es en la entrada.
- Confianza de registro
- Confident
- Citas
- 139
Fuentes
De dónde proviene este registro y cuándo fue comprobado por última vez.
- Referencia
- xGen-MM (BLIP-3): A Family of Open Large Multimodal Models
- Última actualización
- 11 February 2026
Qué significan los números
Fondo
xGen-MM (BLIP-3) fue publicado por Salesforce Research,University of Washington, en el país registrado como United States of America, durante August 2024. Sale de una organización categorizada como industry,Academia.
Funciona en el dominio de Multimodal, Vision, Language, y se registra como realizando la tarea de image captioning, Character recognition (OCR), Visual question answering, Chat.
Su punto de partida fue un modelo base existente, phi-3-mini 3.8B. Por eso comparte la forma y el tamaño general del modelo base.
Este es un modelo cerrado: los valores entrenados quedaron con quien los produjo, y no hay una versión local para ejecutar.
Cómo fue entrenado
Entrenarlo tomó un presupuesto de computación de aproximadamente 2.4 × 10²¹ FLOP. Esa cifra mide lo que costó producir el modelo, y no tiene relación con qué tan rápido responde.
Respuestas
xGen-MM (BLIP-3) — preguntas comunes
xGen-MM (BLIP-3)— ¿Es de código abierto?
La licencia nunca fue registrada en nuestros datos fuente. Tratamos las licencias no declaradas como cerradas, porque una licencia no registrada no es una en la que confiar.
xGen-MM (BLIP-3)— ¿cuántos parámetros tiene?
Tiene un recuento de parámetros de 4B. Table 1: shows the model is called xGen-MM-base (4B). Esa cifra es el total, y es lo que decide cuánta MEMORIA necesita el modelo — aproximadamente medio gigabyte por mil millones en la compresión que la mayoría de las personas usa.
xGen-MM (BLIP-3)— ¿Quién lo creó?
Fue publicado por Salesforce Research,University of Washington, basado en United States of America, una organización categorizada como industry,Academia.
xGen-MM (BLIP-3)— ¿cuándo fue lanzado?
Se publicó en August 2024. La capacidad por parámetro ha mejorado considerablemente desde entonces, por lo que un modelo más reciente del mismo tamaño suele ser el mejor uso del mismo hardware.
xGen-MM (BLIP-3)— ¿Para qué se utiliza?
Funciona en el dominio de Multimodal, Vision, Language, y se registra como manejando la tarea de image captioning, Character recognition (OCR), Visual question answering, Chat. Los Modelos suelen llevar más de uno de cada uno, y las etiquetas describen el propósito en lugar de los límites de capacidad.
xGen-MM (BLIP-3)— cuánto compute se utilizó para entrenarlo?
El entrenamiento consumió alrededor 2.4 × 10²¹ FLOP. Eso mide cuánto costó producir el modelo y no dice nada sobre cuán rápido responde una vez entrenado — la velocidad de inferencia proviene del ancho de banda de memoria, no del presupuesto de entrenamiento.
xGen-MM (BLIP-3)— ¿Qué GPU necesito para ejecutarlo?
Ninguno. Este es un modelo cerrado: sus PESOS nunca fueron publicados, por lo que no se puede descargar o ejecutar en su propio hardware a ningún precio. Solo se puede acceder a él a través de su proveedor.
La otra dirección
¿Mirándolo desde el otro lado?
Esta página comienza desde el modelo. Si ya posees una tarjeta y quieres saber todo lo que podrá ejecutar., Comience desde el hardware en su lugar.