Molmo Introdução

O Molmo funciona processando dados visuais e textuais para entender e interagir com imagens, diagramas e interfaces de usuário. Ele utiliza um conjunto de dados altamente selecionado de cerca de 1 milhão de pares de imagem-texto de alta qualidade, o que lhe permite alcançar um desempenho impressionante com menos dados do que modelos grandes típicos. O Molmo pode identificar objetos, interpretar visuais complexos como gráficos e menus, e até apontar para elementos específicos dentro das imagens. Essa capacidade de apontar permite ações zero-shot, permitindo que o Molmo execute tarefas como contar objetos ou navegar em interfaces web sem analisar o código subjacente. O modelo vem em diferentes tamanhos, incluindo uma versão de 1B parâmetros que pode ser executada de forma eficiente em dispositivos pessoais, tornando-o altamente acessível para várias aplicações.