Molmo Einführung

Molmo funktioniert, indem es sowohl visuelle als auch textuelle Daten verarbeitet, um Bilder, Diagramme und Benutzeroberflächen zu verstehen und mit ihnen zu interagieren. Es nutzt einen hochkuratierten Datensatz von etwa 1 Million hochwertigen Bild-Text-Paaren, was ihm ermöglicht, beeindruckende Leistungen mit weniger Daten als typische große Modelle zu erzielen. Molmo kann Objekte identifizieren, komplexe Visualisierungen wie Diagramme und Menüs interpretieren und sogar auf spezifische Elemente innerhalb von Bildern zeigen. Diese Zeigefunktion ermöglicht Null-Schuss-Aktionen, sodass Molmo Aufgaben wie das Zählen von Objekten oder das Navigieren in Weboberflächen ausführen kann, ohne den zugrunde liegenden Code zu analysieren. Das Modell ist in verschiedenen Größen erhältlich, einschließlich einer 1B-Parameter-Version, die effizient auf persönlichen Geräten betrieben werden kann, was es für verschiedene Anwendungen sehr zugänglich macht.