Справочная карточка · REF
Llama 3.2 11B и 90B Vision Instruct
Llama3.2-Vision — две мультимодальные модели Meta для анализа изображений с текстовым ответом. Варианты 11B и 90B отличаются размером, но оба принимают сочетание изображения и текста. Их следует отделять от текстовых Llama3.2-1B/3B: номер поколения сам по себе не подтверждает поддержку зрения.
Версии и основные характеристики
Llama3.2-Vision — две мультимодальные модели Meta для анализа изображений с текстовым ответом. Варианты 11B и 90B отличаются размером, но оба принимают сочетание изображения и текста. Их следует отделять от текстовых Llama3.2-1B/3B: номер поколения сам по себе не подтверждает поддержку зрения.
| Вариант | Параметры, возможности и ограничения |
|---|---|
| Llama-3.2-11B-Vision-Instruct | Класс 11B; фактическое число в карточке 10.6B; изображение и текст → текст |
| Llama-3.2-90B-Vision-Instruct | Класс 90B; фактическое число в карточке 88.8B; изображение и текст → текст |
| Контекст | 128K токенов у обеих моделей по официальной карточке |
| Языки | Для text+image приложений официально поддерживается английский; текстовая ветвь имеет отдельный список языков |
| Лицензия | Llama3.2 Community License и Acceptable Use Policy; политика использования мультимодальных моделей включает ограничение для лиц и компаний из ЕС |
Как добавлена работа с изображением
Визуальные модели построены на основе текстовой Llama3.1 с добавлением обучаемого адаптера для изображений. Это позволяет задавать вопросы о содержимом картинки, описывать сцену и разбирать визуальные документы. Выход остаётся текстом: модель не создаёт изображение и не становится речевым генератором.
Типичные задачи включают подпись к изображению, сравнение видимых объектов, вопросы к диаграмме и извлечение сведений из страницы документа. Точный результат зависит от исходного разрешения и читаемости деталей. Для числовых таблиц полезно сверять извлечённые значения с исходным фрагментом, а не оценивать только связность ответа.
Выбор размера и языка
11B и 90B нужно сравнивать при одинаковом визуальном входе и настройках ответа. Большая модель требует больше ресурсов для хранения и исполнения; из числа параметров нельзя вывести задержку на неизвестном оборудовании. Поддержка 128K также не означает, что каждый сервер предоставляет пользователю всё окно.
Карточка отдельно ограничивает официальную поддержку text+image приложений английским. Перечень языков текстовой Llama3.1 нельзя автоматически переносить на визуальные задания. Если документ или вопрос на русском, его пригодность проверяют на собственном наборе примеров, особенно для мелкого текста, терминов и неоднозначных изображений.
Условия Llama3.2 для мультимодальных моделей отличаются от обычной разрешительной лицензии: перед распространением или размещением необходимо прочитать применимые ограничения, включая положение об ЕС. Это положение не относится к конечным пользователям продукта или сервиса, использующего такую модель. Уже существующие 1B и 3B — текстовые модели и не заменяют Vision. Эта справка не утверждает текущую доступность внешнего API и не приводит собственные измерения качества.
Официальные источники и лицензии
- Официальная карточка Vision
- Возможности зрения
- Лицензия Llama3.2
- Политика использования и положение об ЕС
- Анонс поколения
Автор: Павел Фролов. Источники проверены: 2026-11-07.