Modelpublic

AD-Styles/mini-llava-v3

sourceHugging Facemitupdated 4mo agoView on Hugging Face

0likes

Model Card

Mini-LLaVA v3 — Korean Multilingual + OOD Detection + Slim Deploy

v2 에서 풀지 못했던 한국어 응답 / 환각 / 배포 무게 세 가지를 v3 에서 모두 해결. 한국어는 mix 데이터 재학습, 환각은 추론 wrapper + OOD layer 추가, 배포 무게는 Slim adapter (1045 MB → 8.28 MB) — 학습 / 분석 / 추론을 문제별로 구분한 접근. CLIP-ViT-B/32 + MLP Projector + Qwen2.5-0.5B + LoRA(r=16) 를 직접 구현한 Vision-Language Model 의 학습 가중치. ⚠️ 크기 ≠ 성능 명시: Slim adapter (8.28 MB) 는 같은 모델, 같은 출력 (greedy 7/7 비트 일치). 모델이 더 똑똑해진 것이 아니라 패키징만 효율화. 진짜 capability 개선은 Korean·OOD 두 가지 (자세한 trade-off 는 한계 표 참조).

📦 이 레포의 구성 (~14 MB total)

projector.pt                       5.7 MB   ← MultiModalProjector (CLIP→LLM 매핑)
lora_adapter_slim/
├─ adapter_config.json             1.1 KB   ← PEFT config (modules_to_save=None)
├─ adapter_model.safetensors       8.27 MB  ← LoRA weights (q/k/v/o, r=16)
├─ image_token_row.safetensors     7.17 KB  ← <image> 토큰 1 row 만 (slim 핵심)
└─ README.md (PEFT auto-generated)

v2 대비 −99.21% (1045 MB → 8.28 MB) — slim 화 원리는 GitHub README §Slim Adapter 참조.

🚀 Quick Start

python

import torch
from PIL import Image
from huggingface_hub import snapshot_download

# 1) v3 src 코드 가져오기 (GitHub)
#    git clone https://github.com/AD-Styles/vlm-from-scratch-v3
#    cd vlm-from-scratch-v3
from src.model import MiniLLaVA
from src.dataset import encode_for_inference
from src.ood_detection import OODDetector

# 2) 가중치 다운로드
local_dir = snapshot_download("AD-Styles/mini-llava-v3", local_dir="checkpoints/v3_step1_korean")

# 3) 모델 로드 (slim adapter 자동 인식)
model = MiniLLaVA(freeze_vision=True, freeze_llm=True, torch_dtype=torch.float32)
model.load_projector(f"{local_dir}/projector.pt", map_location="cpu")
model.load_lora_adapter(f"{local_dir}/lora_adapter_slim")
model.to("cpu").eval()

# 4) 추론
image = Image.open("path/to/image.jpg").convert("RGB")
input_ids, attn = encode_for_inference(model.tokenizer, "이 이미지에 무엇이 보이나요?")
pixel_values = model.image_processor(image, return_tensors="pt")["pixel_values"]
with torch.no_grad():
    out = model.generate(
        input_ids=input_ids.unsqueeze(0),
        attention_mask=attn.unsqueeze(0),
        pixel_values=pixel_values,
        max_new_tokens=128,
    )
print(model.tokenizer.decode(out[0], skip_special_tokens=True))

# 5) (선택) OOD 검출
detector = OODDetector(threshold=0.5, device="cpu")
# generate 할 때 output_scores=True 로 first_logits 받아서 detector.score(image, first_logits) 호출

✨ v2 → v3 변화 (capability vs deployment 분리)

🟢 capability 추가 (모델이 새로 할 수 있게 된 것 — 진짜 성능 개선)

항목	v2	v3 (이 레포)
다국어 응답	❌ 영문 only (catastrophic forgetting)	✅ 영문 + 한국어
OOD 신호	❌ 무조건 답변 (hallucination)	✅ "잘 모르겠음" layer 추가 (CLIP+entropy, 검증 N=2 — 본격 ROC 분석은 v4)

🔵 deployment 최적화 (성능 변화 0, 배포 효율만)

항목	v2	v3
LoRA adapter	1045 MB	8.28 MB (−99.21%)
모델 자산 총합	~1051 MB	~14 MB
모델 출력	(baseline)	bit-identical to FULL (greedy 7/7 검증)

🟡 변하지 않은 것

—이미지 이해 정확도 — 0.5B LLM 한계로 v2/v3 동일 수준 (v4 LLM size up 으로 해결 예정)
—영문 VQA — v3 baseline 36.67% vs v2 34.67% (+2.00%p, VQAv2 50 samples greedy decoding). 추론 wrapper 추가도 자유 서술형 질문 점수에는 영향 없음 — wrapper 의 의미 있는 개선은 POPE 환각 차단 쪽 (+3 ~ +20%p, 자세한 내용은 GitHub README)

🧠 학습 데이터 (Step 1, 175분)

Source	Sample 수	언어
VQAv2	3K	영문
LocalizedNarratives	3K	영문
A-OKVQA	3K	영문
KoLLaVA (LLaVA-Instruct DeepL 한역)	4K	한국어
합계	13K	Korean ratio 30.8%

🛡️ OOD Detector (선택)

ood_score = 0.6 × clip_signal + 0.4 × entropy_signal
is_ood    = ood_score > 0.5  (default)

clip_signal:    1 - max(CLIP-ViT-B/32 similarity to 57 in-dist categories)
entropy_signal: H(LLM first-token logits) / 8.0 nats

검증 결과 (scripts/test_ood_integration.py): In-Dist (실제 개) 0.365 (✅) · OOD (Pikachu 카툰) 0.505 (⚠️)

🪶 Slim Adapter — 99% 절감 (1045 MB → 8.28 MB)

PEFT 표준은 modules_to_save (embedtokens + lmhead) 을 통째로 저장 → 1 GB. 하지만 사전 분석으로 발견:

saved embed_tokens vs base Qwen2.5:
  첫 151,665 행: max diff = 0.000000e+00  (정확히 일치)
  마지막 1 행 (<image> 토큰): 학습된 representation

→ image_token_row.safetensors (7 KB) 만 별도 저장하고, 추론 시 base Qwen2.5 의 마지막 row 만 patch. → greedy decoding 7/7 응답 비트 단위 일치 (scripts/verify_slim_adapter.py).

⚠️ 한계

—0.5B LLM — 이미지 내용 정확도는 여전히 한계 (개를 소로 오인 등)
—CLIP-ViT-B/32 — 49 patches, ViT-L/14 ablation 진행했으나 효과 한계 → 미채택
—57 OOD 카테고리 — COCO + 일상 객체 위주, 도메인 확장 시 카테고리 보강 권장

🔗 링크

—📂 Code: github.com/AD-Styles/vlm-from-scratch-v3
—🚀 Live Demo: HF Spaces — mini-llava-v3-demo
—🔁 v2 baseline: github.com/AD-Styles/vlm-from-scratch
—🤗 v2 weights: AD-Styles/mini-llava-stage2
—🚢 Triton/vLLM deploy: github.com/AD-Styles/nlp-triton-deployment

📜 License

📚 Citation

bibtex

@misc{kim2026minillavav3,
  title  = {Mini-LLaVA v3: Korean Multilingual + Slim LoRA Adapter + OOD Detection},
  author = {Kim, Doyun},
  year   = {2026},
  url    = {https://github.com/AD-Styles/vlm-from-scratch-v3}
}