NVIDIA: Nemotron Nano 12B 2 VL (free)

NVIDIA Nemotron Nano 2 VL — это мощная, открытая мультимодальная модель рассуждений с 12 миллиардами параметров, специально разработанная для продвинутого понимания видео и комплексного анализа документов. Эта модель представляет инновационную гибридную архитектуру Transformer-Mamba, которая умело сочетает точность трансформеров с эффективным по памяти секвенционным моделированием Mamba. Это приводит к значительно более высокой пропускной способности и удивительно низкой задержке, что делает ее идеальной для требовательных приложений. Способная обрабатывать как текст, так и многоизобразительные документы, Nemotron Nano 2 VL генерирует выходные данные на естественном языке. Она была тщательно обучена на высококачественных, курируемых NVIDIA синтетических наборах данных, тщательно оптимизированных для оптического распознавания символов (OCR), сложного анализа графиков и широкого мультимодального понимания. Модель достигает ведущих результатов на OCRBench v2 и впечатляющего среднего балла ≈ 74 по таким бенчмаркам, как MMMU, MathVista, AI2D, OCRBench, OCR-Reasoning, ChartQA, DocVQA и Video-MME, превосходя предыдущие открытые базовые модели VL. С помощью Efficient Video Sampling (EVS) она эффективно обрабатывает длинные видео, минимизируя затраты на вывод. Эта модель доступна бесплатно, предлагая щедрое окно контекста в 128K токенов и максимальный вывод в 4K токенов. Ее открытые веса, данные для обучения и рецепты тонкой настройки выпущены под разрешительной открытой лицензией NVIDIA, обеспечивая широкую доступность. Развертывание поддерживается в NeMo, NIM и основных средах выполнения вывода. Откройте для себя ее возможности для анализа и обработки документов сегодня на Multi AI.