lang
简体中文
繁體中文
English
Tiếng Việt
한국어
日本語
ภาษาไทย
Türkçe
ホーム
OPRR
速報
深堀り
イベント
BlockBeats Pro
もっと見る
資金調達情報
特集
オンチェーン生態系
用語
ポッドキャスト
データ
BTC
$96,000
5.73%
ETH
$3,521.91
3.97%
HTX
$0.{5}2273
5.23%
SOL
$198.17
3.05%
Partnered With:

Cohereが2.4Bビジョン小型モデルを公開:文書理解でMinistral 3 3Bを上回る

動察 Beating のモニタリングによると、Cohere は現在自社最小の視覚言語モデル「North Micro Vision」をオープンソース化した。パラメータ数はわずか 2.4B で、Apache 2.0 ライセンスを採用している。このモデルは文書、表、グラフ、スクリーンショット、OCR に特化しており、画像を固定サイズに圧縮することなく、元の比率と解像度のまま直接処理できる。

モデルは 2B の言語モデルと 400M の視覚エンコーダーで構成されている。公式テストでは、DocVQA スコアが 92.1% に達し、Ministral 3 3B の 89.6% や Gemma 4 E2B の 73.2% を上回り、Qwen3.5-2B の 92.6% にも迫っている。視覚的位置特定の RefCOCO スコアは 73.2% で、こちらも Ministral や Gemma を明らかに上回っている。

ただし、同サイズで最強のモデルというわけではない。Qwen3.5-2B は、一般的な視覚、OCR、マルチモーダルベンチマークの大半で依然として優位に立っており、North Micro Vision の強みは文書理解と視覚的位置特定に集中している。また、これは推論モデルではなく、ツール呼び出しにも対応しておらず、数学やコードの能力も限定的である。

関連おすすめ
Anthropicは一般ユーザー向けにMythos級モデルFable 5を開放し、権限レベルで高リスク能力を制限する。
遺言公開「地位別による」アクションプラン
訂正/通報
送信
新しいライブラリを追加
自分のみが閲覧可
公開
保存
ライブラリを選択
新しいライブラリを追加
キャンセル
完了