Fuyu-8B, le LLM multimodal open source dévoilé par Adept

• Une petite version du modèle multimodal (image + texte) qu’ils utilisent dans leurs produits
• L’architecture et le processus d’entraînement sont très simples (pas d’encodeur d’image)
• Conçu pour les agents numériques, il prend en charge des résolutions d’image arbitraires et peut répondre à des questions sur des graphiques, des diagrammes et des interfaces utilisateur
• Suffisamment rapide pour générer des réponses en moins de 100 ms, même pour de grandes images
• Bien qu’optimisé pour leurs cas d’usage, il affiche aussi d’excellentes performances sur les benchmarks standard de compréhension d’image
• Publié sous licence CC-BY-NC