科技媒體marktechpost報(bào)道，英偉達(dá)近日推出專為文檔理解任務(wù)優(yōu)化的視覺-語言模型Llama Nemotron Nano VL。

　　該模型基于Llama 3.1架構(gòu)，融合CRadioV2-H視覺編碼器和Llama 3.1 8B語言模型，支持多頁文檔的視覺與文本分析，上下文長度達(dá)16K。

　　通過投影層和旋轉(zhuǎn)位置編碼技術(shù)，模型提升了視覺-文本對(duì)齊能力，適用于長篇多模態(tài)任務(wù)。訓(xùn)練分為三階段：圖文預(yù)訓(xùn)練、多模態(tài)指令微調(diào)和純文本指令優(yōu)化。

　　在OCRBench v2測(cè)試中，其在表格解析、圖表推理等任務(wù)上表現(xiàn)優(yōu)異，精度媲美更大規(guī)模模型。

　　部署方面，模型支持4-bit量化，適配服務(wù)器及邊緣設(shè)備，兼容Jetson Orin等受限環(huán)境，并提供預(yù)計(jì)算視覺嵌入選項(xiàng)以降低延遲，為企業(yè)應(yīng)用提供高效解決方案。