Llama 3.2-Vision 多模态大型语言模型 (LLM) 集合包含110亿和900亿参数的指令微调图像推理生成模型（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、字幕生成和回答关于图像的一般性问题进行了优化。在常见的行业基准测试中，这些模型的性能优于许多可用的开源和闭源多模态模型。

支持的语言：对于纯文本任务，官方支持英语、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 接受过比这 8 种支持语言更广泛的语言集的训练。请注意，对于图像+文本应用，仅支持英语。

使用方法

首先，拉取模型

ollama pull llama3.2-vision

Python 库

要使用 Ollama Python 库 使用 Llama 3.2 Vision

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 Ollama JavaScript 库 使用 Llama 3.2 Vision

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>"]
    }
  ]
}'

参考资料

GitHub

HuggingFace