Moondream 3 Preview
Red Neuronal
Moondream 3 Preview: modelo de visión-lenguaje de Moondream para responder sobre imágenes, descripciones y OCR.
Características
- Entrada
- texto, imágenes, documentos
- Salida
- texto
- Tamaño del contexto
- 32 000 tokens
- Longitud máxima de respuesta
- 4 096 tokens
- Niveles de razonamiento
- bajo, medio, alto
- Funciones
- razonamiento
Costo del prompt
(por 1M tokens)
Costo de la respuesta
(por 1M tokens)
Cómo funciona Moondream 3 Preview?
Moondream 3 Preview es un modelo compacto de visión-lenguaje del equipo de Moondream: 9 mil millones de parámetros en total y 2 mil millones activos gracias a la arquitectura mixture-of-experts. El modelo responde preguntas sobre imágenes, crea descripciones, reconoce texto y realiza razonamientos visuales sin requerir los recursos de grandes sistemas multimodales. En BotHub está disponible sin VPN, con pagos en rublos según el uso, y más de 250 modelos en una sola ventana: puedes comparar la respuesta de Moondream con otro modelo y cambiar a través de una API compatible con OpenAI sin reescribir la integración. Los datos se transmiten con cifrado AES-GCM. Es útil para analizar escaneos o fotos de documentos y extraer texto, etiquetar catálogos de productos automáticamente, verificar imágenes de usuarios mediante preguntas, crear descripciones para accesibilidad de interfaces o prototipar agentes que lean gráficos y capturas de pantalla.Preguntas frecuentes sobre Moondream 3 Preview
Puede usar los resultados generados con fines comerciales. Todos los derechos sobre el contenido creado le pertenecen. La única restricción: asegúrese de que la solicitud no incluya material de terceros protegido por derechos de autor. El usuario es responsable de respetar los derechos sobre los datos de entrada.
moondream3-preview es un modelo de visión-lenguaje de moondream: acepta texto, imágenes y documentos como entrada y responde con texto. Es adecuado para describir el contenido de una imagen, encontrar objetos en fotos, extraer datos de escaneos o tablas y responder preguntas sobre documentos. Contexto: 32 000 tokens.
Hasta 4096 tokens por respuesta, lo que equivale a varias páginas. Es suficiente para subtítulos de imágenes, campos extraídos, descripciones e informes cortos. Si necesitas un resultado más largo, divide la tarea en partes y recopila las respuestas secuencialmente, pasando el fragmento anterior al contexto.
Sí, el razonamiento antes de responder está confirmado en nuestros datos: el modelo puede desglosar la tarea en pasos antes de dar un resultado. Esto ayuda en preguntas sobre imágenes donde se deben comparar detalles, contar objetos o relacionar números de un documento con la pregunta.
En nuestros datos, las llamadas a funciones y la salida JSON estructurada no están marcadas para este modelo, así que no cuentes con ello de antemano; pruébalo con tu consulta. Puedes describir el esquema necesario directamente en el prompt, y si el formato es crítico, cambia a otro modelo a través de la misma API de BotHub.
Imágenes y documentos, sí, ese es su escenario principal: subes una foto, captura de pantalla o escaneo y preguntas sobre el contenido. El audio y el video no están marcados como entrada en nuestros datos. El modelo responde con texto; no se declara la generación de imágenes o sonido.
No tenemos datos sobre los idiomas de los prompts y respuestas, por lo que no podemos prometer la calidad del ruso. La forma más rápida es enviar tu consulta típica junto con una imagen y ver el resultado. En la misma ventana de BotHub hay otros modelos disponibles, por lo que podrás comparar las respuestas en un minuto.