VITA-1.5

VITA-1.5 — мультимодальная модель семейства VITA-Qwen2, представленная авторами исследования «VITA-1.5: Towards GPT-4o Level Real-Time Vision and Speech Interaction». Репозиторий содержит веса модели в формате safetensors; размер модели — 7,1 млрд параметров, длина контекста — 32 768 токенов.

Модель предназначена для диалогового взаимодействия с визуальными и речевыми данными в реальном времени. Она может принимать видео и текст и формировать текстовые ответы; карточка также указывает на чат и интерфейс вызова инструментов. README не приводит подробных сведений о поддерживаемых языках, качестве на отдельных задачах или условиях лицензирования, поэтому эти характеристики нельзя уточнить.