9 октября 2025

🚀 Вперед - к мультимодальности! Представляем свою первую модель для одновременной работы с изображениями и текстом — Cotype VL. Что умеет: 🔴Распознает изображения с печатным, рукописным и смешанным текстом 🔴Понимает русский, английский и китайский 🔴Учитывает визуальный контекст при переводе с одного языка на другой 🔴Создает краткое и развернутое описание изображений 🔴Отвечает на сложные вопросы по их содержанию, требующие рассуждений, сравнений и выводов Может поставляться как отдельный продукт или быть частью специализированных ИИ-ассистентов, например, для сравнения инженерных чертежей в промышленности, распознавания товаров по фотографиям в торговле, интерпретации таблиц, диаграмм и графиков из PDF в аналитике и так далее. Прочие подробности мы рассказали Forbes Ну и заодно сегодня выкатили в открытый доступ наш новый бенчмарк для оценки мультимодалок, работающих с изображениями текстов на русском языке, - MWS Vision Bench. 👉 Приходите почитать о нем на Хабр - там же ссылки на репозиторий и датасет.