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

Подходит для: ответы на вопросы о предметах и сценах на изображении · извлечение простых визуальных фактов по текстовому запросу · создание прототипа системы визуального вопросно-ответного поиска