Компактная визуально-языковая модель на 222 млн параметров для ответов на текстовые запросы по изображениям и экспериментов с VLM.

Подходит для: ответы на вопросы по содержимому изображения · описание объектов и сцен на изображении · эксперименты с обучением компактных визуально-языковых моделей