Предварительно обученная мультимодальная модель Qwen2-VL на 7,1 млрд параметров для визуально-языкового взаимодействия с игровыми средами.

Подходит для: ответы на вопросы по скриншотам игрового мира · понимание визуальной сцены в Genshin Impact · диалоговый агент для взаимодействия с открытым игровым миром