Molmo2 от Allen Institute: открытые модели, которые «указывают» на объекты в видео

Большинство ИИ-моделей умеют рассказать, что происходит на видео, но мало кто из них способен показать, где именно. Институт ИИ им. Эллен (Ai2) выпустил Molmo2 — семейство из трёх открытых зрительных языковых моделей, которые не только понимают изображения и видео, но и указывают на объекты координатами пикселей.



