Update README.md

README.md

@@ -1,199 +1,534 @@
 ---
 library_name: transformers
-tags: []
+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
 ---
+Aqui está a apresentação traduzida para o português:  
 
-# Model Card for Model ID
-
-<!-- Provide a quick summary of what the model is/does. -->
-
-
-
-## Model Details
-
-### Model Description
-
-<!-- Provide a longer summary of what this model is. -->
-
-This is the model card of a 🤗 transformers model that has been pushed on the Hub. This model card has been automatically generated.
-
-- **Developed by:** [More Information Needed]
-- **Funded by [optional]:** [More Information Needed]
-- **Shared by [optional]:** [More Information Needed]
-- **Model type:** [More Information Needed]
-- **Language(s) (NLP):** [More Information Needed]
-- **License:** [More Information Needed]
-- **Finetuned from model [optional]:** [More Information Needed]
-
-### Model Sources [optional]
-
-<!-- Provide the basic links for the model. -->
-
-- **Repository:** [More Information Needed]
-- **Paper [optional]:** [More Information Needed]
-- **Demo [optional]:** [More Information Needed]
-
-## Uses
-
-<!-- Address questions around how the model is intended to be used, including the foreseeable users of the model and those affected by the model. -->
-
-### Direct Use
-
-<!-- This section is for the model use without fine-tuning or plugging into a larger ecosystem/app. -->
-
-[More Information Needed]
-
-### Downstream Use [optional]
-
-<!-- This section is for the model use when fine-tuned for a task, or when plugged into a larger ecosystem/app -->
-
-[More Information Needed]
-
-### Out-of-Scope Use
-
-<!-- This section addresses misuse, malicious use, and uses that the model will not work well for. -->
-
-[More Information Needed]
-
-## Bias, Risks, and Limitations
-
-<!-- This section is meant to convey both technical and sociotechnical limitations. -->
-
-[More Information Needed]
-
-### Recommendations
-
-<!-- This section is meant to convey recommendations with respect to the bias, risk, and technical limitations. -->
-
-Users (both direct and downstream) should be made aware of the risks, biases and limitations of the model. More information needed for further recommendations.
-
-## How to Get Started with the Model
-
-Use the code below to get started with the model.
-
-[More Information Needed]
-
-## Training Details
-
-### Training Data
-
-<!-- This should link to a Dataset Card, perhaps with a short stub of information on what the training data is all about as well as documentation related to data pre-processing or additional filtering. -->
-
-[More Information Needed]
-
-### Training Procedure
-
-<!-- This relates heavily to the Technical Specifications. Content here should link to that section when it is relevant to the training procedure. -->
-
-#### Preprocessing [optional]
-
-[More Information Needed]
-
-
-#### Training Hyperparameters
-
-- **Training regime:** [More Information Needed] <!--fp32, fp16 mixed precision, bf16 mixed precision, bf16 non-mixed precision, fp16 non-mixed precision, fp8 mixed precision -->
-
-#### Speeds, Sizes, Times [optional]
-
-<!-- This section provides information about throughput, start/end time, checkpoint size if relevant, etc. -->
-
-[More Information Needed]
-
-## Evaluation
-
-<!-- This section describes the evaluation protocols and provides the results. -->
-
-### Testing Data, Factors & Metrics
-
-#### Testing Data
-
-<!-- This should link to a Dataset Card if possible. -->
-
-[More Information Needed]
-
-#### Factors
-
-<!-- These are the things the evaluation is disaggregating by, e.g., subpopulations or domains. -->
-
-[More Information Needed]
-
-#### Metrics
-
-<!-- These are the evaluation metrics being used, ideally with a description of why. -->
-
-[More Information Needed]
-
-### Results
-
-[More Information Needed]
-
-#### Summary
-
-
-
-## Model Examination [optional]
-
-<!-- Relevant interpretability work for the model goes here -->
-
-[More Information Needed]
-
-## Environmental Impact
-
-<!-- Total emissions (in grams of CO2eq) and additional considerations, such as electricity usage, go here. Edit the suggested text below accordingly -->
-
-Carbon emissions can be estimated using the [Machine Learning Impact calculator](https://mlco2.github.io/impact#compute) presented in [Lacoste et al. (2019)](https://arxiv.org/abs/1910.09700).
-
-- **Hardware Type:** [More Information Needed]
-- **Hours used:** [More Information Needed]
-- **Cloud Provider:** [More Information Needed]
-- **Compute Region:** [More Information Needed]
-- **Carbon Emitted:** [More Information Needed]
-
-## Technical Specifications [optional]
-
-### Model Architecture and Objective
-
-[More Information Needed]
-
-### Compute Infrastructure
-
-[More Information Needed]
-
-#### Hardware
-
-[More Information Needed]
-
-#### Software
-
-[More Information Needed]
-
-## Citation [optional]
-
-<!-- If there is a paper or blog post introducing the model, the APA and Bibtex information for that should go in this section. -->
-
-**BibTeX:**
-
-[More Information Needed]
-
-**APA:**
-
-[More Information Needed]
-
-## Glossary [optional]
-
-<!-- If relevant, include terms and calculations in this section that can help readers understand the model or model card. -->
-
-[More Information Needed]
-
-## More Information [optional]
-
-[More Information Needed]
+---
 
-## Model Card Authors [optional]
+### **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**  
 
-[More Information Needed]
+---
+## 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(
+    "Qwen/Qwen2-VL-7B-Instruct", 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(
+#     "Qwen/Qwen2-VL-7B-Instruct",
+#     torch_dtype=torch.bfloat16,
+#     attn_implementation="flash_attention_2",
+#     device_map="auto",
+# )
+
+# Processador padrão
+processor = AutoProcessor.from_pretrained("Qwen/Qwen2-VL-7B-Instruct")
+
+# 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("Qwen/Qwen2-VL-7B-Instruct", 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(
+    "Qwen/Qwen2-VL-7B-Instruct", torch_dtype="auto", device_map="auto"
+)
+processor = AutoProcessor.from_pretrained("Qwen/Qwen2-VL-7B-Instruct")
+
+# 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**  
 
-## Model Card Contact
+---
 
-[More Information Needed]
+## 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}
+}
+```