Phi-3.5-vision-instruct

Phi-3.5-vision-instruct — это открытая мультимодальная модель с 4,2 миллиардами параметров и поддержкой до 128K токенов контекстного окна. Модель специализируется на понимании и анализе множественных кадров изображений, повышая производительность на бенчмарках для одиночных изображений и одновременно обеспечивая сравнение нескольких изображений, суммаризацию и даже анализ видео. Модель прошла пост-обучение по безопасности для улучшенного следования инструкциям, выравнивания и надежной обработки визуальных и текстовых входных данных, и выпускается под лицензией MIT.