Moondream 3 Preview
Rede Neural
Moondream 3 Preview — modelo de visão e linguagem da Moondream para responder sobre imagens, descrições e OCR.
Especificações
- Entrada
- texto, imagens, documentos
- Saída
- texto
- Tamanho do contexto
- 32 000 tokens
- Comprimento máximo de resposta
- 4 096 tokens
- Níveis de raciocínio
- baixo, médio, alto
- Recursos
- raciocínio
Custo do prompt
(por 1M tokens)
Custo da resposta
(por 1M tokens)
Como funciona Moondream 3 Preview?
Moondream 3 Preview — um modelo compacto de visão e linguagem da equipe Moondream: 9 bilhões de parâmetros no total e 2 bilhões ativos graças à arquitetura mixture-of-experts. O modelo responde a perguntas sobre imagens, cria descrições, reconhece texto em imagens e realiza raciocínio visual sem exigir os recursos de grandes sistemas multimodais. No BotHub, está disponível na Rússia sem VPN ou cartão estrangeiro, com pagamento em rublos via cartões russos conforme o uso. Mais de 250 modelos estão reunidos em uma única janela: você pode comparar a resposta do Moondream com outro modelo e alternar via API compatível com OpenAI sem reescrever a integração. Os dados são transmitidos com criptografia AES-GCM. Útil para analisar digitalizações ou fotos de documentos para extrair texto, legendar automaticamente catálogos de produtos, verificar imagens de usuários com base em perguntas, criar descrições para acessibilidade de interfaces ou prototipar um agente que lê gráficos e capturas de tela.Perguntas frequentes sobre Moondream 3 Preview
Você pode usar os resultados da geração para fins comerciais. Todos os direitos sobre o conteúdo criado pertencem a você. A única restrição: certifique-se de que a solicitação não inclua materiais de terceiros protegidos por direitos autorais. A responsabilidade pelo cumprimento dos direitos sobre os dados de entrada é do usuário.
moondream3-preview — modelo de visão e linguagem da moondream: aceita texto, imagens e documentos como entrada e responde com texto. Adequado para descrever o conteúdo de uma imagem, encontrar objetos necessários em fotos, extrair dados de digitalizações ou tabelas e responder a perguntas sobre páginas de documentos. Contexto — 32.000 tokens.
Até 4096 tokens por resposta — cerca de algumas páginas. Para legendas de imagens, campos extraídos, descrições e relatórios curtos, esse volume é suficiente. Se precisar de um resultado mais longo, divida a tarefa em partes e colete as respostas sequencialmente, passando o fragmento anterior para o contexto.
Sim, o raciocínio antes da resposta é confirmado em nossos dados: o modelo pode decompor a tarefa em etapas e só então fornecer o resultado. Isso ajuda em perguntas sobre imagens onde é necessário comparar vários detalhes, contar objetos ou vincular números de um documento à própria pergunta.
Em nossos dados, a chamada de funções e a saída estruturada em JSON não estão marcadas para este modelo, portanto, não conte com elas antecipadamente — verifique com sua própria solicitação. O esquema necessário pode ser descrito diretamente no prompt e, se o formato for crítico, alterne para outro modelo através da mesma API do BotHub.
Imagens e documentos — sim, este é o seu cenário principal: você carrega uma foto, captura de tela ou digitalização e faz perguntas sobre o conteúdo. Áudio e vídeo como entrada não estão marcados em nossos dados. O modelo responde com texto; a geração de imagens ou som não é declarada.
Não temos dados sobre os idiomas de prompts e respostas, portanto, não podemos prometer a qualidade do russo. A maneira mais rápida é enviar sua solicitação típica junto com uma imagem e ver o resultado. Outros modelos estão disponíveis na mesma janela do BotHub, então você poderá comparar as respostas em um minuto.