跳到正文

Llama-3.2-11B-Vision

同时处理图像与文本的多模态模型

访问官网

Llama-3.2-11B-Vision 是什么

Llama-3.2-11B-Vision 被介绍为 Meta 发布的多模态大型语言模型,结合图像与文本处理能力。

你可以用它做什么

  • 把图像与文本提示组合输入
  • 检索与上传图片匹配的文本

优点与缺点

✓ 我们认可的地方

  • 列出文档视觉问题回答 DocVQA
  • 文本任务列出多种语言

! 需要留意的地方

  • 资料说明图像加文本应用仅支持英文
  • 使用遵循 Llama 3.2 社区许可协议

常见问题

由谁发布?

资料说明由 Meta 发布。

能读文档吗?

资料列出 DocVQA,可理解文档文本与布局。

最后评测: 2026-11-15

更多 AI 图像生成 工具

查看全部 →

评测方法