Производная модели omlab/VLM-FO1-3B-v01. VLM-FO1-3B-v01 — мультимодальная модель для обнаружения и детального понимания объектов и областей изображения по текстовым запросам.

Подходит для: поиск и локализация объектов на изображении по текстовому описанию · ответы на вопросы о конкретной области изображения · визуальные рассуждения о взаимосвязях объектов и регионов