Saltar al contenido principal

Llama 3.2 Instruct 11B (Vision)

MetaLlamaOpen WeightLlama 3.2 Community License

Descripción

Llama 3.2 11B Vision Instruct is an instruction-tuned multimodal large language model optimized for visual recognition, image reasoning, captioning, and answering general questions about an image. It accepts text and images as input and generates text as output.

Fecha de lanzamiento
2024-09-25
Parámetros
10.6B
Longitud del contexto
—
Modalidades
image, text

Radar de capacidades

60
general
0
coding
60
reasoning
26
scienceest.
42
agents
90
multimodal

Science se estima a partir de las puntuaciones científicas de LLM Stats o del razonamiento cuando no hay benchmarks científicos dedicados.

Rankings

Dominio#PosiciónPuntuaciónFuente
Ranking multimodal100
44.0
LS

Puntuaciones de benchmarks (LLM Stats)

(LLM Stats (zeroeval))

General

MMLU73.0%Aut.

Math

MGSM68.9%Aut.
MATH51.9%Aut.
MathVista51.5%Aut.

Multimodal

MMMU50.7%Aut.

Reasoning

ChartQAMasry et al. (2022)83.4%Aut.
GPQANYU + Cohere + Anthropic (2023)32.8%Aut.

Vision

AI2D91.1%Aut.
DocVQADocVQA (2020)88.4%Aut.
VQAv2 (test)75.2%Aut.
MMMU-Pro33.0%Aut.

Índices de evaluación AA

(Artificial Analysis)

No hay datos de evaluación AA disponibles

Puntuaciones por categoría LLM Stats

(LLM Stats (zeroeval))
Image To Text
90
Language
70
Legal
70
Multimodal
70
Finance
70
Vision
70
Math
60
Reasoning
60
General
60
Healthcare
60
Physics
30
Biology
30
Chemistry
30

Precios

Precio de entrada$0.345 / 1M tokens
Precio de salida$0.345 / 1M tokens

Velocidad

Tokens/seg22.8
Retraso del primer token1.31s
Tiempo hasta la respuesta1.31s

Ranking de Precios por Proveedor

Ranking de Precios por Proveedor

1 proveedores

ProveedorEntradaSalida
1MetaPRINCIPAL
$0.345
$0.345

Comparar precios entre diferentes proveedores de API para este modelo.

Fuentes externas