File size: 16,720 Bytes
48ba354
 
154341a
 
 
 
 
 
 
 
 
 
48ba354
154341a
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
48ba354
154341a
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
f8a7f89
154341a
 
 
 
f8a7f89
154341a
 
 
 
 
 
f8a7f89
154341a
 
 
 
f8a7f89
154341a
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
f8a7f89
154341a
f8a7f89
154341a
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
48ba354
154341a
48ba354
154341a
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
f8a7f89
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
52
53
54
55
56
57
58
59
60
61
62
63
64
65
66
67
68
69
70
71
72
73
74
75
76
77
78
79
80
81
82
83
84
85
86
87
88
89
90
91
92
93
94
95
96
97
98
99
100
101
102
103
104
105
106
107
108
109
110
111
112
113
114
115
116
117
118
119
120
121
122
123
124
125
126
127
128
129
130
131
132
133
134
135
136
137
138
139
140
141
142
143
144
145
146
147
148
149
150
151
152
153
154
155
156
157
158
159
160
161
162
163
164
165
166
167
168
169
170
171
172
173
174
175
176
177
178
179
180
181
182
183
184
185
186
187
188
189
190
191
192
193
194
195
196
197
198
199
200
201
202
203
204
205
206
207
208
209
210
211
212
213
214
215
216
217
218
219
220
221
222
223
224
225
226
227
228
229
230
231
232
233
234
235
236
237
238
239
240
241
242
243
244
245
246
247
248
249
250
251
252
253
254
255
256
257
258
259
260
261
262
263
264
265
266
267
268
269
270
271
272
273
274
275
276
277
278
279
280
281
282
283
284
285
286
287
288
289
290
291
292
293
294
295
296
297
298
299
300
301
302
303
304
305
306
307
308
309
310
311
312
313
314
315
316
317
318
319
320
321
322
323
324
325
326
327
328
329
330
331
332
333
334
335
336
337
338
339
340
341
342
343
344
345
346
347
348
349
350
351
352
353
354
355
356
357
358
359
360
361
362
363
364
365
366
367
368
369
370
371
372
373
374
375
376
377
378
379
380
381
382
383
384
385
386
387
388
389
390
391
392
393
394
395
396
397
398
399
400
401
402
403
404
405
406
407
408
409
410
411
412
413
414
415
416
417
418
419
420
421
422
423
424
425
426
427
428
429
430
431
432
433
434
435
436
437
438
439
440
441
442
443
444
445
446
447
448
449
450
451
452
453
454
455
456
457
458
459
460
461
462
463
464
465
466
467
468
469
470
471
472
473
474
475
476
477
478
479
480
481
482
483
484
485
486
487
488
489
490
491
492
493
494
495
496
497
498
499
500
501
502
503
504
505
506
507
508
509
510
511
512
513
514
515
516
517
518
519
520
521
522
523
524
525
526
527
528
529
530
---
library_name: transformers
license: apache-2.0
datasets:
- JJhooww/system_chat_portuguese
- JJhooww/rag_agente
- JJhooww/chamada_de_funcao
- JJhooww/open_perfect_ptbr_sharegpt_multiturn
language:
- pt
base_model:
- Qwen/Qwen2-VL-7B-Instruct
---
### **Fluxi AI - Small Vision 🤖✨**  

🧠 **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](https://huggingface.co/Qwen/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**  
```python
# 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**  
```python
# 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**  
```python
# 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:

```bash
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:

```bash
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`:

```python
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)
```

<details>
<summary>Sem o qwen_vl_utils</summary>

```python
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)
```

</details>

<details>
<summary>Inferência com múltiplas imagens</summary>

```python
# 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)
```

</details>

<details>
<summary>Inferência com vídeo</summary>

```python
# 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)
```

</details>

<details>
<summary>Inferência em lote</summary>

```python
# 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)
```

</details>


## **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
```bibtex
@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}
}
```