Pixtral 12B：开源视觉大模型

发表于2024-11-29|更新于2026-08-24|大语言模型

Pixtral 12B是Mistral AI推出的开源多模态视觉大模型，拥有120亿参数。它在图像理解、文档分析和视觉问答方面表现出色，能够精准识别图片中的文字、图表、物体和场景。Pixtral 12B完全开源，支持本地部署，可以在消费级GPU上运行（经过量化优化后）。对于需要在自己的应用中集成视觉理解能力的开发者来说，Pixtral 12B是一个性能强劲且完全免费的选择。

官方博客

相关工具已收录于 AI工具严选

法国AI公司Mistral推出的开源大语言模型

请我喝杯咖啡

微信赞赏

相关推荐

Nexa AI OmniVision：可本地跑多模态大模型

Nexa AI OmniVision是一款可以在本地设备上运行的多模态大语言模型。与依赖云端API的多模态模型（如GPT-4V）不同，OmniVision经过优化可以在消费级硬件上运行，无需联网即可处理文本、图像和视频输入。它能够理解图片内容、回答关于视觉输入的问题，适合隐私敏感场景和离线环境使用。本视频介绍OmniVision的本地部署方法、性能表现和实际使用体验。官方博客

Nexa AI OmniVision：本地部署多模态大模型

Nexa AI OmniVision的本地部署教程！本视频手把手教你如何在自己的电脑上安装和运行OmniVision多模态大模型。涵盖了：系统要求检查、模型下载、安装配置、API调用示例和性能优化技巧。OmniVision支持处理图像和视频输入，能够在本地完成复杂的视觉理解任务。无需GPU也能运行优化版本，是本地AI部署领域值得关注的多模态模型。官方博客

QVQ-72B：世上唯一开源免费视觉推理大模型

这应该是当今世上唯一一个完全开源免费的视觉推理大模型，相比海外如OpenAI等贵的要命的o3模型，阿里巴巴最新推出的这个QVQ-72B视觉推理大模型遵循都是Apache 2.0的协议，也就是说权重等完全开源，如果我没有搞错的话，这应该是当今世上唯一一个完全开源免费的视觉推理大模型，它只有72B的参数量，但是它在MMLU多模态测试集和MathVision等数学视觉等测试集上的benchmarks得分却不容小觑。下面我们快速的去魔撘上玩下… 访问入口

定制大语言模型LLM用RAG还是微调？

这是每个AI应用开发者都会面临的核心问题：想要让大语言模型适应特定领域，应该选择RAG（检索增强生成）还是微调（Fine-tuning）？本视频从技术原理、实现成本、应用场景和维护复杂度等多个维度进行对比分析。RAG适合需要动态知识更新和检索外部信息的场景，微调适合需要模型学习特定输出风格和格式的场景。视频通过实际案例帮助你做出最合适的技术选型。

OmniVision: 可本地跑的多模态大模型

OmniVision是一款由Nexa AI开发的多模态大语言模型，它能够在本地设备上运行，支持同时处理文本、图像和视频输入。与云端多模态模型不同，OmniVision针对移动设备和边缘计算进行了优化，可以在手机上流畅运行。它能够理解图片内容、分析视频帧、回答关于视觉输入的问题。本视频介绍OmniVision的安装部署和实际使用体验。官方博客

Claude Computer Use API - 大模型如真人操纵电脑

Claude Computer Use API是Anthropic为Claude模型推出的革命性功能，它让AI能够像真人一样操控电脑屏幕——移动鼠标、点击按钮、输入文字、滚动页面、浏览文件等。与传统的API调用不同，Computer Use API让Claude能”看”到屏幕截图，理解界面布局，然后自主执行操作。这意味着Claude可以帮你完成填写表单、查找文件、操作软件等一系列需要图形界面交互的任务，真正实现了”AI替你用电脑”。

数据加载中