Llama 3.2-Vision 多模態大型語言模型 (LLM) 集合，是一個指令微調的圖像推理生成模型集合，包含 11B 和 90B 兩種尺寸（文字 + 圖像輸入 / 文字輸出）。Llama 3.2-Vision 指令微調模型針對視覺辨識、圖像推理、圖像標註以及回答關於圖像的通用問題進行了最佳化。這些模型在常見的行業基準測試中，效能優於許多現有的開源和封閉式多模態模型。

支援語言：對於純文字任務，官方支援英語、德語、法語、義大利語、葡萄牙語、印地語、西班牙語和泰語。Llama 3.2 的訓練使用了比這 8 種支援語言更廣泛的語言集合。請注意，對於圖像+文字應用，僅支援英語。

使用方式

首先，提取模型

ollama pull llama3.2-vision

Python 程式庫

若要將 Llama 3.2 Vision 與 Ollama Python 程式庫 搭配使用

import ollama

response = ollama.chat(
    model='llama3.2-vision',
    messages=[{
        'role': 'user',
        'content': 'What is in this image?',
        'images': ['image.jpg']
    }]
)

print(response)

JavaScript 程式庫

若要將 Llama 3.2 Vision 與 Ollama JavaScript 程式庫 搭配使用

import ollama from 'ollama'

const response = await ollama.chat({
  model: 'llama3.2-vision',
  messages: [{
    role: 'user',
    content: 'What is in this image?',
    images: ['image.jpg']
  }]
})

console.log(response)

cURL

curl https://127.0.0.1:11434/api/chat -d '{
  "model": "llama3.2-vision",
  "messages": [
    {
      "role": "user",
      "content": "what is in this image?",
      "images": ["<base64-encoded image data>"]
    }
  ]
}'

參考文獻

GitHub

HuggingFace