llama3.2-vision

Llama 3.2-Vision 多模态大型语言模型 (LLM) 集合是包含 11B 和 90B 规模的指令微调图像推理生成模型的集合（文本 + 图像输入/文本输出）。Llama 3.2-Vision 指令微调模型针对视觉识别、图像推理、字幕生成和回答有关图像的一般问题进行了优化。这些模型在常见行业基准测试中优于许多可用的开源和封闭式多模态模型。

支持的语言：对于仅限文本的任务，正式支持英语、德语、法语、意大利语、葡萄牙语、印地语、西班牙语和泰语。Llama 3.2 在比这 8 种支持语言更广泛的语言集合上进行了训练。请注意，对于图像 + 文本应用程序，仅支持英语。

用法

首先，拉取模型

ollama pull llama3.2-vision

Python 库

要使用 Llama 3.2 Vision 和 Ollama Python 库

import ollama

response = ollama.chat(
    model='llama3.2-vision',
    messages=[{
        'role': 'user',
        'content': 'What is in this image?',
        'images': ['image.jpg']
    }]
)

print(response)

JavaScript 库

要使用 Llama 3.2 Vision 和 Ollama JavaScript 库

import ollama from 'ollama'

const response = await ollama.chat({
  model: 'llama3.2-vision',
  messages: [{
    role: 'user',
    content: 'What is in this image?',
    images: ['image.jpg']
  }]
})

console.log(response)

cURL

curl https://127.0.0.1:11434/api/chat -d '{
  "model": "llama3.2-vision",
  "messages": [
    {
      "role": "user",
      "content": "what is in this image?",
      "images": ["<base64-encoded image data>"]
    }
  ]
}'

参考文献

GitHub

HuggingFace