VLM 系列——MiniCPM-Llama3-V 2.6——论文解读——前瞻（源码解读）

一、概述

1、是什么

     是一款面向终端设备的多模态大型语言模型（MLLM），论文暂未发布 ，它专注于实现在手机等资源受限设备上的高级AI功能，参数8B（qwen2 7B + SigLIP ViT-400m/14 + 视觉标记压缩层 ）。该模型能够处理包括文本、图像在内的多种数据类型，具备图片描述、单图文问答、代码编写和debug、 多图问对话、视频理解对话 、json格式、高清OCR解析（函数调用论文暂时未提）。

2、亮点

    🔥 领先的性能。 在最新版本 OpenCompass 榜单上（综合 8 个主流多模态评测基准）平均得分 65.2，以8B量级的大小在单图理解方面超越了 GPT-