JJhooww/Fluxi_AI_Small_Vision-awq

Fluxi AI - Small Vision - Versão AWQ🤖✨

pip install vllm
vllm serve JJhooww/Fluxi_AI_Small_Vision-awq \
    --limit-mm-per-prompt 'image=2' \
    --max-model-len 32768 \
    --quantization awq_marlin \
    --max-num-seq 4 \
    --gpu-memory-utilization 0.85

🧠 Inteligência Multimodal
🗣️ Compreensão de Múltiplos Idiomas
🛠️ Capacidade de Executar Funções
📚 RAG Avançado
🤝 Interação Natural e Amigável

Modelo Base

Este assistente é baseado no modelo Qwen2-VL-7B-Instruct, um poderoso modelo de linguagem multimodal desenvolvido pela Qwen. As principais características incluem:

7 bilhões de parâmetros
Arquitetura avançada para visão e linguagem
Suporte a múltiplas resoluções de imagem
Capacidade de processamento de vídeo
Otimizações específicas para tarefas multimodais

Visão Geral do Modelo

Um assistente de IA versátil, capaz de lidar com interações multimodais, incluindo texto, imagens e vídeos. O modelo suporta chamadas de função, RAG (Geração Aumentada por Recuperação) e interações guiadas pelo sistema, com capacidades aprimoradas em português.

Principais Funcionalidades

Processamento Multimodal

✅ Geração e compreensão de texto
✅ Análise e entendimento de imagens
✅ Compreensão de vídeos (até 20+ minutos)
✅ Suporte a diversos formatos de entrada:

Arquivos locais
Imagens em Base64
URLs
Combinação de imagens e vídeos intercalados

Suporte a Múltiplos Idiomas

🌎 O modelo compreende e processa vários idiomas, incluindo:

Português (suporte aprimorado)
Inglês
Espanhol, Francês, Alemão e outras línguas europeias
Japonês e Coreano
Árabe e Vietnamita

Principais Recursos

1. Chamadas de Função

⚙️ Capacidade de executar funções pré-definidas
📄 Manipulação estruturada de entrada/saída
🛠️ Suporte para parâmetros complexos
🇧🇷 Otimização para chamadas de função em português

2. Geração Aumentada por Recuperação (RAG)

📚 Integração de contexto com documentos
🔎 Extração de informações relevantes
🤖 Respostas contextuais e adaptadas
🇧🇷 Otimização para conteúdos em português

3. Interações Guiadas pelo Sistema

👥 Respostas baseadas em funções e papéis
📌 Adaptação a diferentes áreas de conhecimento
📖 Compreensão contextual aprimorada
🇧🇷 Otimização específica para agentes em português

Exemplos de Implementação

1. Exemplo de Chamada de Função

# Estrutura de um dataset de chamada de função
messages = [
    {
        "role": "system",
        "content": [{
            "type": "text",
            "text": """# Ferramentas

Você pode chamar uma ou mais funções para auxiliar na consulta do usuário.

Você recebe assinaturas de função nas tags XML <tools></tools>:
<tools>
{
 "type": "function",
 "function": {
   "name": "criar_contato",
   "description": "Criar um novo contato",
   "parameters": {
     "type": "object",
     "properties": {
       "nome": {"type": "string", "description": "O nome do contato"},
       "email": {"type": "string", "description": "O endereço de e-mail do contato"}
     },
     "required": ["nome", "email"]
   }
 }
}
</tools>"""
        }]
    },
    {
        "role": "user",
        "content": [{
            "type": "text",
            "text": "Eu preciso criar um novo contato para meu amigo John Doe. O email dele é [email protected]."
        }]
    }
]

# Resposta do assistente
response = {
    "role": "assistant",
    "content": [{
        "type": "text",
        "text": "<tool_call>\n{'name': 'criar_contato', 'arguments': {'nome': 'John Doe', 'email': '[email protected]'}}</tool_call>"
    }]
}

2. Exemplo de Implementação RAG

# Estrutura de um dataset RAG
messages = [
    {
        "role": "user",
        "content": [{
            "type": "text",
            "text": "Quais são os principais países de origem dos turistas estrangeiros que visitam o Brasil?"
        }]
    },
    {
        "role": "system",
        "content": [{
            "type": "text",
            "text": "{'doc04': {'text': 'O Brasil recebeu mais de 6 milhões de turistas estrangeiros, principalmente da Argentina, Estados Unidos, Paraguai, Chile, Uruguai e França...'}}"
        }]
    }
]

# Resposta do assistente
response = {
    "role": "assistant",
    "content": [{
        "type": "text",
        "text": "Os principais países de origem dos turistas estrangeiros que visitam o Brasil são:\n\n- Argentina\n- Estados Unidos\n- Paraguai\n- Chile\n- Uruguai\n- França"
    }]
}

3. Exemplo de Agente Guiado pelo Sistema

# Configuração de um agente guiado pelo sistema
messages = [
    {
        "role": "system",
        "content": [{
            "type": "text",
            "text": "Você é um especialista em várias disciplinas científicas, incluindo física, química e biologia. Explique conceitos, teorias e fenômenos científicos de uma maneira envolvente e acessível."
        }]
    },
    {
        "role": "user",
        "content": [{
            "type": "text",
            "text": "Pode me ajudar a escrever um ensaio sobre desmatamento?"
        }]
    }
]

Otimizações para o Idioma Português

Chamadas de Função

✔️ Nomes e descrições de funções em português
✔️ Convenções brasileiras para nomeação de parâmetros
✔️ Mensagens de erro e respostas localizadas
✔️ Seleção de funções baseada em casos de uso do Brasil

RAG Aprimorado

📜 Recuperação de conteúdo otimizada para português
🌎 Prioridade para contexto brasileiro
🔍 Maior precisão na extração de informações locais
📝 Melhoria no reconhecimento de padrões do idioma

Aprimoramentos Específicos para Agentes

🎭 Contexto cultural brasileiro aprimorado
📌 Integração com conhecimento regional
🗣️ Melhoria na compreensão das nuances do português
📚 Otimização para domínios específicos do Brasil

Requisitos

O código do Qwen2-VL está disponível na versão mais recente do Hugging Face Transformers, e recomendamos que você construa a partir do código-fonte com o comando:

pip install git+https://github.com/huggingface/transformers

Caso contrário, você pode encontrar o seguinte erro:

KeyError: 'qwen2_vl'

Início Rápido

Oferecemos um conjunto de ferramentas para ajudá-lo a lidar com vários tipos de entrada visual de forma mais conveniente. Isso inclui base64, URLs e imagens e vídeos intercalados. Você pode instalá-lo com o comando:

pip install qwen-vl-utils

Aqui mostramos um trecho de código para mostrar como usar o modelo de chat com transformers e qwen_vl_utils:

from transformers import Qwen2VLForConditionalGeneration, AutoTokenizer, AutoProcessor
from qwen_vl_utils import process_vision_info

# Carregar o modelo no(s) dispositivo(s) disponível(is)
model = Qwen2VLForConditionalGeneration.from_pretrained(
    "JJhooww/Fluxi_AI_Small_Vision", torch_dtype="auto", device_map="auto"
)

# Recomendamos habilitar o flash_attention_2 para melhor aceleração e economia de memória, especialmente em cenários com múltiplas imagens e vídeos.
# model = Qwen2VLForConditionalGeneration.from_pretrained(
#     "JJhooww/Fluxi_AI_Small_Vision",
#     torch_dtype=torch.bfloat16,
#     attn_implementation="flash_attention_2",
#     device_map="auto",
# )

# Processador padrão
processor = AutoProcessor.from_pretrained("JJhooww/Fluxi_AI_Small_Vision")

# O intervalo padrão para o número de tokens visuais por imagem no modelo é de 4-16384. Você pode configurar min_pixels e max_pixels conforme suas necessidades, como um intervalo de contagem de tokens de 256-1280, para equilibrar velocidade e uso de memória.
# min_pixels = 256*28*28
# max_pixels = 1280*28*28
# processor = AutoProcessor.from_pretrained("JJhooww/Fluxi_AI_Small_Vision", min_pixels=min_pixels, max_pixels=max_pixels)

messages = [
    {
        "role": "user",
        "content": [
            {
                "type": "image",
                "image": "https://qianwen-res.oss-cn-beijing.aliyuncs.com/Qwen-VL/assets/demo.jpeg",
            },
            {"type": "text", "text": "Descreva esta imagem."},
        ],
    }
]

# Preparação para inferência
text = processor.apply_chat_template(
    messages, tokenize=False, add_generation_prompt=True
)
image_inputs, video_inputs = process_vision_info(messages)
inputs = processor(
    text=[text],
    images=image_inputs,
    videos=video_inputs,
    padding=True,
    return_tensors="pt",
)
inputs = inputs.to("cuda")

# Inferência: Geração da saída
generated_ids = model.generate(**inputs, max_new_tokens=128)
generated_ids_trimmed = [
    out_ids[len(in_ids) :] for in_ids, out_ids in zip(inputs.input_ids, generated_ids)
]
output_text = processor.batch_decode(
    generated_ids_trimmed, skip_special_tokens=True, clean_up_tokenization_spaces=False
)
print(output_text)

Sem o qwen_vl_utils

from PIL import Image
import requests
import torch
from torchvision import io
from typing import Dict
from transformers import Qwen2VLForConditionalGeneration, AutoTokenizer, AutoProcessor

# Carregar o modelo em precisão reduzida no(s) dispositivo(s) disponível(is)
model = Qwen2VLForConditionalGeneration.from_pretrained(
    "JJhooww/Fluxi_AI_Small_Vision", torch_dtype="auto", device_map="auto"
)
processor = AutoProcessor.from_pretrained("JJhooww/Fluxi_AI_Small_Vision")

# Imagem
url = "https://qianwen-res.oss-cn-beijing.aliyuncs.com/Qwen-VL/assets/demo.jpeg"
image = Image.open(requests.get(url, stream=True).raw)

conversation = [
    {
        "role": "user",
        "content": [
            {
                "type": "image",
            },
            {"type": "text", "text": "Descreva esta imagem."},
        ],
    }
]

# Pré-processamento das entradas
text_prompt = processor.apply_chat_template(conversation, add_generation_prompt=True)
# Saída esperada: '<|im_start|>system\nVocê é um assistente útil.<|im_end|>\n<|im_start|>user\n<|vision_start|><|image_pad|><|vision_end|>Descreva esta imagem.<|im_end|>\n<|im_start|>assistant\n'

inputs = processor(
    text=[text_prompt], images=[image], padding=True, return_tensors="pt"
)
inputs = inputs.to("cuda")

# Inferência: Geração da saída
output_ids = model.generate(**inputs, max_new_tokens=128)
generated_ids = [
    output_ids[len(input_ids) :]
    for input_ids, output_ids in zip(inputs.input_ids, output_ids)
]
output_text = processor.batch_decode(
    generated_ids, skip_special_tokens=True, clean_up_tokenization_spaces=True
)
print(output_text)

Inferência com múltiplas imagens

# Mensagens contendo várias imagens e uma consulta em texto
messages = [
    {
        "role": "user",
        "content": [
            {"type": "image", "image": "file:///path/to/image1.jpg"},
            {"type": "image", "image": "file:///path/to/image2.jpg"},
            {"type": "text", "text": "Identifique as semelhanças entre essas imagens."},
        ],
    }
]

# Preparação para inferência
text = processor.apply_chat_template(
    messages, tokenize=False, add_generation_prompt=True
)
image_inputs, video_inputs = process_vision_info(messages)
inputs = processor(
    text=[text],
    images=image_inputs,
    videos=video_inputs,
    padding=True,
    return_tensors="pt",
)
inputs = inputs.to("cuda")

# Inferência
generated_ids = model.generate(**inputs, max_new_tokens=128)
generated_ids_trimmed = [
    out_ids[len(in_ids) :] for in_ids, out_ids in zip(inputs.input_ids, generated_ids)
]
output_text = processor.batch_decode(
    generated_ids_trimmed, skip_special_tokens=True, clean_up_tokenization_spaces=False
)
print(output_text)

Inferência com vídeo

# Mensagens contendo uma lista de imagens como vídeo e uma consulta em texto
messages = [
    {
        "role": "user",
        "content": [
            {
                "type": "video",
                "video": [
                    "file:///path/to/frame1.jpg",
                    "file:///path/to/frame2.jpg",
                    "file:///path/to/frame3.jpg",
                    "file:///path/to/frame4.jpg",
                ],
                "fps": 1.0,
            },
            {"type": "text", "text": "Descreva este vídeo."},
        ],
    }
]
# Mensagens contendo um vídeo e uma consulta em texto
messages = [
    {
        "role": "user",
        "content": [
            {
                "type": "video",
                "video": "file:///path/to/video1.mp4",
                "max_pixels": 360 * 420,
                "fps": 1.0,
            },
            {"type": "text", "text": "Descreva este vídeo."},
        ],
    }
]

# Preparação para inferência
text = processor.apply_chat_template(
    messages, tokenize=False, add_generation_prompt=True
)
image_inputs, video_inputs = process_vision_info(messages)
inputs = processor(
    text=[text],
    images=image_inputs,
    videos=video_inputs,
    padding=True,
    return_tensors="pt",
)
inputs = inputs.to("cuda")

# Inferência
generated_ids = model.generate(**inputs, max_new_tokens=128)
generated_ids_trimmed = [
    out_ids[len(in_ids) :] for in_ids, out_ids in zip(inputs.input_ids, generated_ids)
]
output_text = processor.batch_decode(
    generated_ids_trimmed, skip_special_tokens=True, clean_up_tokenization_spaces=False
)
print(output_text)

Inferência em lote

# Mensagens de exemplo para inferência em lote
messages1 = [
    {
        "role": "user",
        "content": [
            {"type": "image", "image": "file:///path/to/image1.jpg"},
            {"type": "image", "image": "file:///path/to/image2.jpg"},
            {"type": "text", "text": "Quais são os elementos comuns nessas imagens?"}, 
        ],
    }
]
messages2 = [
    {"role": "system", "content": "Você é um assistente útil."},
    {"role": "user", "content": "Quem é você?"}
]
# Combinar mensagens para processamento em lote
messages = [messages1, messages1]

# Preparação para inferência em lote
texts = [
    processor.apply_chat_template(msg, tokenize=False, add_generation_prompt=True)
    for msg in messages
]
image_inputs, video_inputs = process_vision_info(messages)
inputs = processor(
    text=texts,
    images=image_inputs,
    videos=video_inputs,
    padding=True,
    return_tensors="pt",
)
inputs = inputs.to("cuda")

# Inferência em lote
generated_ids = model.generate(**inputs, max_new_tokens=128)
generated_ids_trimmed = [
    out_ids[len(in_ids) :] for in_ids, out_ids in zip(inputs.input_ids, generated_ids)
]
output_texts = processor.batch_decode(
    generated_ids_trimmed, skip_special_tokens=True, clean_up_tokenization_spaces=False
)
print(output_texts)

Limitações do Modelo

🔇 Sem suporte para áudio
📅 Base de dados limitada até junho de 2023
🔍 Reconhecimento restrito de indivíduos e marcas
🧩 Desempenho reduzido para tarefas complexas de múltiplas etapas
🔢 Dificuldade na contagem precisa de objetos
📏 Raciocínio espacial 3D limitado

Citations

Base Model Citation

@article{Qwen2VL,
  title={Qwen2-VL: Enhancing Vision-Language Model's Perception of the World at Any Resolution},
  author={Wang, Peng and Bai, Shuai and Tan, Sinan and Wang, Shijie and Fan, Zhihao and Bai, Jinze and Chen, Keqin and Liu, Xuejing and Wang, Jialin and Ge, Wenbin and Fan, Yang and Dang, Kai and Du, Mengfei and Ren, Xuancheng and Men, Rui and Liu, Dayiheng and Zhou, Chang and Zhou, Jingren and Lin, Junyang},
  journal={arXiv preprint arXiv:2409.12191},
  year={2024}
}

@article{Qwen-VL,
  title={Qwen-VL: A Versatile Vision-Language Model for Understanding, Localization, Text Reading, and Beyond},
  author={Bai, Jinze and Bai, Shuai and Yang, Shusheng and Wang, Shijie and Tan, Sinan and Wang, Peng and Lin, Junyang and Zhou, Chang and Zhou, Jingren},
  journal={arXiv preprint arXiv:2308.12966},
  year={2023}
}

JJhooww
/

Fluxi_AI_Small_Vision-awq