Компактная модель «зрение—язык» на 222 млн параметров для ответов на текстовые запросы по изображениям и экспериментов с VLM.

Подходит для: ответы на вопросы об изображениях · эксперименты с обучением визуально-языковых моделей · создание прототипов приложений для анализа изображений

Минималистичная vision-language модель без визуального энкодера, передающая пиксельные патчи в языковую модель для задач по изображениям.

Подходит для: ответы на вопросы об изображениях · описание содержимого изображения по текстовому запросу · передача изображения языковой модели для мультимодального диалога