Pixtral 12B (2409)

翻訳が必要なデータ： 120億のパラメータを持つマルチモーダルモデルで、そのビジュアルエンコーダは4億のパラメータを持ち、自然画像や文書を理解することができます。マルチモーダルタスクを実行する際にも、テキストのみの性能は依然として強力です。可変サイズの画像やコンテキスト内の複数の画像をサポートします。