Мультимодальная модель компьютерного зрения, которая по инструкциям анализирует изображения и генерирует структурированные текстовые и графические результаты для сегментации, локализации и геометрического восприятия.
Подходит для: сегментация объектов на изображении по названию категории · локализация объектов и областей по текстовому описанию · распознавание текста на изображениях