Экспериментальная дообученная модель Llama 3.3 70B с визуальным энкодером SigLIP для диалога, генерации текста и описания изображений.
Как модель справилась с задачами пользователей ailist и что о ней публикуют открытые лидерборды
Из открытых лидербордов. Сравнивайте результаты одного теста при одинаковых условиях — отсутствие оценки не значит, что модель хуже.
В подключённых источниках результатов для этой модели пока нет.
Описание составлено по карточке модели и метаданным Hugging Face
kadirnar/Llama3.3-70b-Vision — экспериментальная визуально-языковая модель на основе Meta Llama 3.3 70B Instruct. В README указаны архитектура Llama и визуальный энкодер SigLIP; модель предназначена для диалога и понимания изображений, включая их описание, сохраняя языковые возможности базовой модели. Метаданные указывают на дообучение, формат safetensors и интерфейс вызова инструментов. Базовая модель поддерживает несколько языков и контекст до 128 тысяч токенов.
README называет проект находящимся в разработке, поэтому заявленные возможности работы с изображениями следует считать предварительными. Метаданные классифицируют основную задачу как генерацию текста; отдельного pipeline-тега для обработки изображений нет. Лицензия в предоставленных данных не указана.
README отмечает, что разработка продолжается, поэтому качество и полнота возможностей работы с изображениями могут быть предварительными. Лицензия в предоставленных данных не указана.
Разделы каталога профессий, в задачах которых используется эта модель
README от автора на Hugging Face, как он его опубликовал
A vision-enhanced version of the Llama-3.3-70B language model, capable of understanding and describing images while maintaining the base model's language capabilities.
На своей GPU в ailist. Цена — по текущим предложениям провайдеров
GPU в ailist
vLLM
Модели нужен код из репозитория; автор пока не в списке доверенных организаций.