Дообученная на базе Qwen3-VL-4B-Instruct мультимодальная модель отвечает на вопросы по изображениям и может указывать объекты ограничивающими рамками.

Подходит для: ответы на вопросы о содержимом изображения · поиск и локализация объектов на изображении · визуальный диалог с выдачей координат объектов