Мы представляем VisionReward, общую стратегию согласования моделей визуальной генерации (как изображений, так и видео) с предпочтениями человека с помощью мелкозернистой и многомерной структуры. Мы разлагаем человеческие предпочтения в изображениях и видео на несколько измерений, каждое из которых представлено серией оценочных вопросов, линейно взвешенных и суммируемых для получения интерпретируемого и точного результата. Чтобы решить проблемы оценки качества видео, мы систематически анализируем различные динамические характеристики видео, что помогает VisionReward превзойти VideoScore на 17,2% и достичь максимальной производительности в прогнозировании предпочтений видео. Здесь мы представляем модель VisionReward-Image. Используйте следующую команду, чтобы объединить разделенные файлы в один файл .tar, а затем извлечь его в указанный каталог: Вы можете быстро установить зависимости пакета Python и запустить вывод модели в нашем GitHub. > Эта модель использует точные параметры fp32 и требует использования библиотеки sat (SwissArmyTransformer) для вызова. Для версии модели bf16 (bfloat16) перейдите по следующей ссылке: https://huggingface.co/THUDM/VisionReward-Image-bf16.
Модальности:
Генерация текста
Области применения:
Диалог / чат
Задача: Генерация текста
Автор: zai-org
Теги: chat, cogvlm2, ens
Лайков: 11 | Загрузок: 0
Описание основано на материалах HuggingFace. Перевод выполнен автоматически.
