Дообученная ViLT-модель для ответов на текстовые вопросы о содержимом изображений.

Подходит для: ответы на вопросы о предметах и сценах на изображении · определение цвета, количества или положения объектов по вопросу · извлечение простых визуальных фактов из изображения