Производная модели ByteDance/Sa2VA-Qwen2_5-VL-3B. Мультимодальная чат-модель Sa2VA для ответов по изображениям и видео, понимания визуальных подсказок и сегментации объектов.
Подходит для: ответы на вопросы по изображению · ответы на вопросы по видео · сегментация объектов на изображениях