CohereAI开源了2个Aya Vision多模态大模型：80亿和320亿两种规格多模态大模型，评测结果超越Qwen2.5 72B和Llama 3.2 90B，支持23种语言

Cohere For AI 推出了 Aya Vision 系列，这是一组包含 80 亿（8B）和 320 亿（32B）参数的视觉语言模型（VLMs）。这些模型针对多模态AI系统中的多语言性能挑战，支持23种语言。Aya Vision 基于 Aya Expanse 语言模型，并通过引入视觉语言理解扩展了其能力。该系列模型旨在提升同时需要文本和图像理解的任务性能。

Aya Vision的主要特点

• 多语言支持：覆盖23种语言，通过数据增强技术提升对弱势语言的性能。
• 多模态能力：支持图像描述生成、视觉问答（VQA）、文本生成以及图像到文本的翻译等任务。
• 模型规模：提供两种配置——Aya Vision 8B 和 Aya Vision 32B，在性能与计算效率之间提供不同的平衡选择。
• 动态图像分辨率处理：自动调整并将高分辨率图像分割为更小的部分，以提取更详细的图像特征。
• Pixel Shuffle Downsampling：通过4倍压缩图像tokens，降低计算成本，同时保留关键信息。

Aya Vision技术架构

Aya Vision 模型采用模块化架构，包含以下组件：

• 视觉编码器：基于 SigLIP2-patch14-384，负责从图像输入中提取视觉特征。
• 视觉语言连接器：将图像特征映射到语言模型的嵌入空间。
• LLM 解码器：8B模型使用经过优化的 Cohere Command R7B，擅长指令跟随；32B模型则使用 Aya Expanse 32B，后者经过多语言多样化数据集的额外训练。
• 训练过程：
  • 视觉语言对齐：通过冻结视觉和语言组件，训练视觉语言连接器。
  • 监督微调（SFT）：在23种语言的多模态任务上联合训练连接器和语言模型。

Aya Vision 32B和Aya Vision 8B的评估结果

Aya Vision 在两个多语言基准上进行了评估：

• AyaVisionBench：专为23种语言的视觉语言任务设计的自定义数据集，涵盖图像描述生成、OCR和文档理解等类别。
• mWildVision：Wild Vision Bench 的多语言版本，翻译成了23种语言。

Aya Vision 模型在多种任务和语言上，始终优于更大的模型，例如 Llama-3.2 90B Vision、Molmo 72B 和 Qwen2.5-VL 72B。

5. 开源与社区集成

Aya Vision 8B 和 32B 都以开源权重形式发布在 Hugging Face 上，以支持研究与开发。

• 数据集：AyaVisionBench 和 mWildVision 数据集已公开。
• 社区访问：可通过 WhatsApp 和 Hugging Face Spaces 测试这些模型。
• 代码示例：提供 Colab 笔记本，帮助开发者将这些模型集成到应用中。

不过需要注意的是，这两个开源模型都不是商用授权的，可以用于研究和测试。

Aya Vision 32B模型更多信息参考DataLearnerAI模型信息卡：https://www.datalearner.com/ai-models/pretrained-models/aya-vision-32b
Aya Vision 8B模型更多信息参考DataLearnerAI模型信息卡：https://www.datalearner.com/ai-models/pretrained-models/aya-vision-8b