Мультимодальная модель на базе архитектуры Mixture-of-Experts с 2 млрд активных параметров для эффективного анализа визуального контента. Она быстро решает задачи распознавания текста (OCR), детального описания изображений и ответов на вопросы по графическим данным.
Контекст: 32 000 токенов.