README.md

---
library_name: peft
tags:
- trl
- sft
- generated_from_trainer
base_model: llava-hf/llava-1.5-7b-hf
model-index:
- name: llava-1.5-7b-hf-ft-mix-vsft
  results: []
---

<!-- This model card has been generated automatically according to the information the Trainer had access to. You
should probably proofread and complete it, then remove this comment. -->

# llava-1.5-7b-hf-ft-mix-vsft

Эта модель является дообученной версией [llava-hf/llava-1.5-7b-hf](https://huggingface.co/llava-hf/llava-1.5-7b-hf) на датасете HuggingFaceH4/llava-instruct-mix-vsft

## Описание модели

Эта модель была дообучена для улучшения её производительности в специфических задачах. Процесс дообучения включал адаптацию базовой модели с использованием методов Low-Rank Adaptation (LoRA) и Supervised Fine-Tuning (SFT), что делает её более эффективной для целевых приложений.

## Предназначенные использования и ограничения

- **Предназначенные использования**: Модель предназначена для задач, связанных с условной генерацией текста и распознаванием изображений. Она может быть использована в чат-ботах, интерактивных системах и других приложениях, требующих высококачественных ответов.
- **Ограничения**: Модель может не показывать хороших результатов в задачах, значительно отличающихся от тех, для которых она была дообучена. Также важно оценить её производительность на вашем конкретном датасете, чтобы убедиться, что она соответствует вашим требованиям.

## Данные для обучения и оценки

Модель была дообучена на смешанном датасете HuggingFaceH4/llava-instruct-mix-vsft, предназначенном для инструкционных задач и визуального распознавания. Более подробная информация о датасете необходима. Ссылка на датасет 

## Процедура обучения

### Гиперпараметры обучения

Следующие гиперпараметры использовались во время обучения:
- **learning_rate**: 1.4e-05
- **train_batch_size**: 4
- **eval_batch_size**: 8
- **seed**: 42
- **optimizer**: Adam с betas=(0.9, 0.999) и epsilon=1e-08
- **lr_scheduler_type**: linear
- **num_epochs**: 1
- **mixed_precision_training**: Native AMP

### Результаты обучения

Результаты обучения в TensorBoard.

### Версии фреймворков

- **PEFT**: 0.10.0
- **Transformers**: 4.40.0
- **Pytorch**: 2.2.1+cu121
- **Datasets**: 2.19.0
- **Tokenizers**: 0.19.1

## Дополнительная информация

- **Квантование**: Модель использует конфигурацию квантования для оптимизации использования памяти и вычислительных ресурсов, что позволяет запускать её на устройствах с ограниченными ресурсами без значительной потери точности.
- **LoRA (Low-Rank Adaptation)**: Эта техника использовалась для дообучения модели путем адаптации её параметров в вычислительно эффективной форме, сокращая время и ресурсы, необходимые для обучения.
- **SFT (Supervised Fine-Tuning)**: Модель была дообучена с использованием SFTTrainer, что обеспечивает её хорошую адаптацию к специфическим задачам, на которых она была обучена, улучшая её производительность и надежность.