Moondream 3.1 9B A2B
Rede Neural
Moondream 3.1 é um modelo visual-linguístico compacto da Moondream para reconhecimento de texto em imagens, descrições e perguntas visuais.
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 3.1 9B A2B?
Moondream 3.1 é um modelo visual-linguístico da Moondream e sucessor do Moondream 3 Preview: arquitetura mixture-of-experts com 9 bilhões de parâmetros, dos quais 2 bilhões estão ativos por solicitação. Ele aceita uma imagem junto com uma consulta de texto e trabalha com seu conteúdo: responde a perguntas sobre a imagem, cria descrições e reconhece texto na imagem (OCR). Através do BotHub, o modelo está acessível sem VPN, com pagamento em moeda local e cobrança baseada no uso real de tokens. Você pode acessá-lo via API compatível com OpenAI, com mais de 250 modelos disponíveis na mesma janela, facilitando a comparação de respostas e a troca de modelos sem reescrever a integração. Empresas têm acesso a contratos, faturas, EDI e painel administrativo com limites. Útil para analisar capturas de tela e fotos de documentos, extrair texto de recibos, placas e embalagens, descrever automaticamente catálogos e bibliotecas de mídia, rotular grandes conjuntos de imagens para datasets ou conectar sugestões visuais ao suporte onde os usuários enviam fotos.Perguntas frequentes sobre Moondream 3.1 9B A2B
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.
O moondream3.1-9b-a2b é um modelo visual-linguístico da Moondream: aceita texto, imagens e documentos como entrada e responde com texto. É adequado para descrever imagens, extrair dados de digitalizações e capturas de tela, responder a perguntas sobre imagens e analisar documentos. A janela de contexto é de 32.000 tokens, o suficiente para instruções detalhadas junto com a imagem.
O máximo por resposta é de 4096 tokens, o que equivale a cerca de algumas páginas de texto. Isso é suficiente para uma descrição detalhada de uma imagem, uma tabela com campos extraídos ou uma análise detalhada de um documento. Se precisar de mais volume, divida a tarefa em partes; o contexto de 32.000 tokens manterá todo o histórico da conversa.
Sim, o raciocínio antes da resposta no moondream3.1-9b-a2b é confirmado. O modelo pode analisar a cena passo a passo: primeiro encontrar objetos, verificar detalhes e depois formular uma conclusão. Isso ajuda significativamente ao contar objetos em uma foto, ler legendas pequenas ou comparar dados de uma tabela.
Em nossos dados, a chamada de funções e o modo JSON estrito não estão marcados — isso não significa que não existam, mas não podemos garantir. O caminho prático: solicite a resposta na estrutura desejada diretamente no prompt e valide o resultado do seu lado. E através da API unificada do BotHub, é fácil alternar para um modelo com suporte confirmado a function calling.
Imagens e documentos, sim, esse é o cenário principal: carregue uma foto, captura de tela, digitalização ou PDF e faça perguntas sobre o conteúdo. Áudio e vídeo não estão marcados em nossos dados. Se estiver trabalhando com um vídeo, extraia os quadros necessários e envie-os como imagens comuns.
Não há informações sobre a qualidade de idiomas específicos em nossos dados, portanto, não prometemos nada: teste o modelo com seus textos e imagens, levará alguns minutos. O BotHub em si oferece suporte, interface e opções de pagamento acessíveis.