Llama-3.2-11B-Vision-Instruct

Llama-3.2-11B-Vision-Instruct

Meta推出支持图文交互的语言模型

Llama-3.2-11B-Vision-Instruct是一款由Meta开发的大型语言模型,集成了文本理解和图像识别能力。模型采用11B和90B两种参数规模,支持128K长度的上下文处理。基于Llama 3.1架构,通过监督学习和人类反馈优化,在视觉问答、图像描述、文档理解等任务中展现出优秀性能。该项目开放商用授权,需遵循Llama 3.2社区许可协议。

多模态大语言模型图像识别Llama 3.2Meta模型Github开源项目问答系统Huggingface

项目概述

Llama-3.2-Vision-Instruct是Meta发布的一个多模态大语言模型系列,这是一个能同时处理图像和文本的人工智能系统。该系列包含11B和90B两种参数规模的模型,主要用于视觉识别、图像理解、图像描述和回答与图像相关的问题。

模型特点

  • 该模型基于Llama 3.1文本模型开发,采用优化后的Transformer架构
  • 通过监督微调(SFT)和人类反馈强化学习(RLHF)来提升模型的实用性和安全性
  • 配备专门训练的视觉适配器,可以将图像信息整合到语言模型中
  • 支持128k的上下文长度,具备GQA(分组查询注意力)机制
  • 训练数据量达60亿(图像,文本)对

语言支持

  • 纯文本任务支持8种语言:英语、德语、法语、意大利语、葡萄牙语、印地语、西班牙语和泰语
  • 图像+文本的任务目前仅支持英语
  • 开发者可以在遵守许可协议的前提下,对模型进行其他语言的微调

应用场景

  • 视觉问答(VQA)和视觉推理
  • 文档视觉问答(DocVQA)
  • 图像描述生成
  • 图像-文本检索
  • 视觉定位任务

使用限制

  • 仅允许用于商业和研究用途
  • 必须遵守相关法律法规
  • 需要遵守可接受使用政策和Llama 3.2社区许可协议
  • 对于非官方支持的语言使用需要额外开发

技术细节

  • 11B版本实际参数量为10.6B
  • 90B版本实际参数量为88.8B
  • 知识截止日期:2023年12月
  • 发布日期:2024年9月25日
  • 采用静态模型训练方式
  • 未来可能发布新版本以提升性能和安全性

许可与反馈

  • 使用需遵守Llama 3.2社区许可协议
  • 提供多个反馈渠道,包括GitHub issues、内容反馈表单和安全问题报告
  • 欢迎开发者通过官方文档了解更多技术细节和使用方法

编辑推荐精选

Keevx

Keevx

AI数字人视频创作平台

Keevx 一款开箱即用的AI数字人视频创作平台,广泛适用于电商广告、企业培训与社媒宣传,让全球企业与个人创作者无需拍摄剪辑,就能快速生成多语言、高质量的专业视频。

即梦AI

即梦AI

一站式AI创作平台

提供 AI 驱动的图片、视频生成及数字人等功能,助力创意创作

扣子-AI办公

扣子-AI办公

AI办公助手,复杂任务高效处理

AI办公助手,复杂任务高效处理。办公效率低?扣子空间AI助手支持播客生成、PPT制作、网页开发及报告写作,覆盖科研、商业、舆情等领域的专家Agent 7x24小时响应,生活工作无缝切换,提升50%效率!

TRAE编程

TRAE编程

AI辅助编程,代码自动修复

Trae是一种自适应的集成开发环境(IDE),通过自动化和多元协作改变开发流程。利用Trae,团队能够更快速、精确地编写和部署代码,从而提高编程效率和项目交付速度。Trae具备上下文感知和代码自动完成功能,是提升开发效率的理想工具。

AI工具TraeAI IDE协作生产力转型热门
蛙蛙写作

蛙蛙写作

AI小说写作助手,一站式润色、改写、扩写

蛙蛙写作—国内先进的AI写作平台,涵盖小说、学术、社交媒体等多场景。提供续写、改写、润色等功能,助力创作者高效优化写作流程。界面简洁,功能全面,适合各类写作者提升内容品质和工作效率。

AI辅助写作AI工具蛙蛙写作AI写作工具学术助手办公助手营销助手AI助手
问小白

问小白

全能AI智能助手,随时解答生活与工作的多样问题

问小白,由元石科技研发的AI智能助手,快速准确地解答各种生活和工作问题,包括但不限于搜索、规划和社交互动,帮助用户在日常生活中提高效率,轻松管理个人事务。

热门AI助手AI对话AI工具聊天机器人
Transly

Transly

实时语音翻译/同声传译工具

Transly是一个多场景的AI大语言模型驱动的同声传译、专业翻译助手,它拥有超精准的音频识别翻译能力,几乎零延迟的使用体验和支持多国语言可以让你带它走遍全球,无论你是留学生、商务人士、韩剧美剧爱好者,还是出国游玩、多国会议、跨国追星等等,都可以满足你所有需要同传的场景需求,线上线下通用,扫除语言障碍,让全世界的语言交流不再有国界。

讯飞智文

讯飞智文

一键生成PPT和Word,让学习生活更轻松

讯飞智文是一个利用 AI 技术的项目,能够帮助用户生成 PPT 以及各类文档。无论是商业领域的市场分析报告、年度目标制定,还是学生群体的职业生涯规划、实习避坑指南,亦或是活动策划、旅游攻略等内容,它都能提供支持,帮助用户精准表达,轻松呈现各种信息。

AI办公办公工具AI工具讯飞智文AI在线生成PPTAI撰写助手多语种文档生成AI自动配图热门
讯飞星火

讯飞星火

深度推理能力全新升级,全面对标OpenAI o1

科大讯飞的星火大模型,支持语言理解、知识问答和文本创作等多功能,适用于多种文件和业务场景,提升办公和日常生活的效率。讯飞星火是一个提供丰富智能服务的平台,涵盖科技资讯、图像创作、写作辅助、编程解答、科研文献解读等功能,能为不同需求的用户提供便捷高效的帮助,助力用户轻松获取信息、解决问题,满足多样化使用场景。

热门AI开发模型训练AI工具讯飞星火大模型智能问答内容创作多语种支持智慧生活
Spark-TTS

Spark-TTS

一种基于大语言模型的高效单流解耦语音令牌文本到语音合成模型

Spark-TTS 是一个基于 PyTorch 的开源文本到语音合成项目,由多个知名机构联合参与。该项目提供了高效的 LLM(大语言模型)驱动的语音合成方案,支持语音克隆和语音创建功能,可通过命令行界面(CLI)和 Web UI 两种方式使用。用户可以根据需求调整语音的性别、音高、速度等参数,生成高质量的语音。该项目适用于多种场景,如有声读物制作、智能语音助手开发等。

下拉加载更多