Vision Multimodale
Modèles capables de comprendre et d'analyser du contenu visuel.
LLaVA 1.5 basé sur Phi-2 (2.7B), un modèle de langage de vision compact capable de comprendre les images et de répondre visuellement aux questions. Taille adaptée au processeur avec une bonne précision pour les tâches de vision quotidiennes.
Moondream2 de Vikhyat (~ 1,86 B de paramètres), un modèle de langage de vision minuscule mais performant conçu pour un sous-titrage d'images et des questions-réponses visuelles efficaces. Fonctionne sur un matériel modeste tout en offrant une compréhension étonnamment bonne des images.
BakLLaVA-1, un modèle de langage de vision combinant Mistral-7B avec l'architecture LLaVA 1.5. Hérite des fortes capacités linguistiques de Mistral tout en ajoutant la compréhension des images et des questions-réponses visuelles.
InternVL2 8B d'OpenGVLab, un modèle de langage de vision hautes performances combinant InternViT-300M avec InternLM2.5-7B. Excelle dans les tâches d'OCR, de graphiques, de compréhension de documents et de raisonnement multi-images.
LLaVA 1.5 7B, un modèle de langage de vision combinant Vicuna-7B avec un encodeur visuel CLIP. Excellente compréhension des images, réponse visuelle aux questions et capacités de description de scène avec inférence GPU.
LLaVA 1.6 (LLaVA-NeXT) 13B basé sur Vicuna-13B, avec une résolution d'image améliorée (jusqu'à 2880 px), un raisonnement plus fort et un meilleur OCR que LLaVA 1.5. Questions et réponses visuelles de haute qualité et analyse détaillée de la scène.
Qwen2-VL 2B d'Alibaba, un modèle de langage de vision compact avec prise en charge de la résolution dynamique et compréhension des images, des vidéos et des documents. Fortes performances pour sa taille sur les tâches de raisonnement visuel.
Qwen2-VL 7B d'Alibaba, un modèle de langage de vision puissant prenant en charge les résolutions d'image dynamiques, la compréhension vidéo et les documents longs. Performances de pointe en matière de raisonnement visuel et d'analyse de documents.
Modèle vision-langage phare Qwen2.5-VL 72B Instruct d'Alibaba. Compréhension d'images et raisonnement multimodal open-weights de premier plan. Nécessite une VRAM très importante.
Modèle MoE Qwen3-VL 30B-A3B Instruct d'Alibaba. Qualité de compréhension d'images de classe 32B à ~3B de coût d'inférence actif, idéal pour les pipelines multimodaux à volume élevé.
Modèle vision-langage Qwen3-VL 8B Instruct d'Alibaba. Compréhension d'images généraliste solide, OCR et chat multimodal dans une taille compacte de 8B.