Mistral多模态大模型来了！120亿参数，原生支持任意大小/数量图像，公司估值已达420亿

AIGC动态欢迎阅读

原标题：Mistral多模态大模型来了！120亿参数，原生支持任意大小/数量图像，公司估值已达420亿
关键字：模型,视觉,编码器,微软,大小
文章来源：量子位
内容字数：0字

内容摘要：

明敏发自凹非寺量子位 | 公众号 QbitAIMistral的多模态大模型来了！
Pixtral 12B正式发布，同时具备语言和视觉处理能力。
它建立在文本模型Nemo 12B基础上，包含一个专门的视觉编码器。
大概24GB，原生支持任意数量和尺寸的图像，大约有40层神经网络、14,336 个隐藏维度大小和32个注意力头，以及一个专用的视觉编码器，支持高分辨率图像（1024×1024）处理。
发布形式还是简单直接一个种子链接。
现在可以通过链接、GitHub或Hugging Face下载模型。
Mistral的开发主管表示，后续也会在Chatbot上接入模型，并提供API服务。
超越Qwen、LLaVA等虽然目前模型的训练数据、细节都未公开，但是通过模型代码网友们发现了更多细节。
1、先进架构：40层网络、14336隐藏维度大小、32个注意力头。
2、视觉能力：专用视觉编码器，支持1024×1024图像大小和24个隐藏层，用于高级图像处理。
3、更大词汇量：131072tokens，支持更细致语言理解和生成。
4、使用GeLU(用于视觉适配器)和2D RoPE(用于视觉编码器)。

原文链接：Mistral多模态大模型来了！120亿参数，原生支持任意大小/数量图像，公司估值已达420亿