MiniCPM-V-4.7-1B

Que é MiniCPM-V-4.7-1B

MiniCPM-V-4.7-1B é un modelo multimodal de visión-linguaxe de código aberto publicado por OpenBMB, con só 1B de parámetros. Admite comprensión de imaxes e diálogo multimodal.

Características clave

• Admite comprensión de imaxes e diálogo multimodal
• Usa a tecnoloxía de compresión temperá intra-ViT para comprimir tokens visuais cedo dentro do codificador de visión
• Admite compresión híbrida de tokens visuais 4x/16x, equilibrando detalle visual co custo de inferencia
• Admite despregamento en dispositivo en iOS, Android e HarmonyOS
• Fornece soporte listo para usar para plataformas de chips como Rockchip, Houmo, Intel, AMD e Arm

Para quen é

Adecuado para desenvolvedores que necesitan comprensión de imaxes e diálogo multimodal en dispositivos móbiles ou edge, e para aplicacións multimodais que buscan alta densidade de rendemento e inferencia eficiente.

Como comezar

1. Visita https://huggingface.co/openbmb/MiniCPM-V-4.7-1B para descargar os pesos do modelo
2. Consulta a sección de Uso na ficha do modelo para inferencia e despregamento
3. Usa o soporte de despregamento en dispositivo de código aberto proporcionado para executalo en iOS, Android ou HarmonyOS

Compilado a partir de descricións públicas no sitio web oficial / README / páxina de lanzamento da ferramenta. Os prezos e números de usuarios non foron verificados; consulta o sitio web oficial. Algunhas seccións foron redactadas con axuda de IA. Escrito en chinés e inglés; outras linguaxes están traducidas por máquina.