仅 1.5B 大小的多模态模型UForm，能读图和聊天，由 llama-1.3B 和 ViT-B/16 组成

76次阅读

共计 210 个字符，预计需要花费 1 分钟才能阅读完成。

UForm 是一个多模态的人工智能库，既灵活又高效。UForm 的微型嵌入模型将帮助您理解和搜索跨多种语言的视觉和文本内容。另一方面，UForm 的小型生成模型不仅支持对话和聊天应用场景，还能够进行图像字幕生成和视觉问答（VQA）。借助紧凑的自定义预训练 Transformer 模型，UForm 可以在从服务器集群到智能手机等各种设备上运行。