Florence-2 Large
florence-2-largeMicrosoft Florence-2 Large. Unified prompt-based vision foundation model for captioning, detection, segmentation and OCR with a single 770M-param backbone.
- Pris
- ≈ 0,0012 US$/kørsel
- Input → output
- Tekst + Billede → Tekst
- Udvikler
- Community
- Opdateret
- 23. september 2026
Playground
Prøv Florence-2 Large
Input & resultat
Denne kørsel
ca. 0,0012 US$ · 0,12 credits
0,0036Â US$ (0,36 credits) reserveres ved start; den faktiske GPU-tid faktureres.
Ny her?
10 gratis credits (0,10 US$) når du tilmelder dig med Google
Kan bruges 24 timer efter tilmelding, op til 5 kørsler pr. dag og højst 2 credits pr. kørsel. Andre login-metoder starter uden credits. Nok til 27 kørsler af denne model.
Examples
Open full size
InputNo text prompt: the model only takes the input shown.
Open full size
InputNo text prompt: the model only takes the input shown.
Open full size
InputNo text prompt: the model only takes the input shown.
Om Florence-2 Large
Florence-2 Large er en model af Community i kategorien Multimodal. På Railwail koster Florence-2 Large ≈ 0,0012 US$ pr. kørsel.
Priser
| Typisk kørsel (≈ 1 s på L40S) | 0,0012 US$ pr. kørsel |
|---|---|
| GPU-tid (L40S) | 0,00117Â US$ pr. GPU-sekund |
- Faktureres efter den GPU-tid, som kørslen faktisk tager. Når kørslen starter, reserveres 3× den typiske pris fra din saldo og afregnes efterfølgende.
- 1 kredit = 0,01Â US$
Omkostningsberegner
Prisberegner
Typisk ifølge udbyderen: ca. 1 s
I alt
0,12Â US$
12 credits
Pr. kørsel
0,0012 US$ · 0,12 credits
Fakturering efter faktisk GPU-tid; dette er et estimat.
API
Intet bekræftet API-eksempel
Den offentlige API sender et andet inputformat end det, som denne model har brug for. Brug playground ovenfor.
Specifikationer
- Model-ID
florence-2-large- Udvikler
- Community
- Kategori
- Multimodal
- Input
- Tekst, Billede
- Output
- Tekst
- Fakturering
- Efter forbrug (tokens eller GPU-tid)
- Katalogelement opdateret
- 23. september 2026
Inputparametre
Inputs og indstillinger fra modellens inputskema. Eksemplet i API-afsnittet viser, hvilke af dem API'en accepterer.
promptpåkrævetUser message or task instruction
Type: TekstStandard: –Tilladte værdier: op til 4.000 tegntaskType: ValgStandard:captionTilladte værdier: caption, detailed_caption, ocr, object_detection eller segmentationimage_urlImage URL to analyze
Type: TekstStandard: –Tilladte værdier: –max_tokensType: HeltalStandard:1024Tilladte værdier: 1 til 4.096temperatureType: TalStandard:0.7Tilladte værdier: 0 til 2
Tags
- replicate
- multimodal
- vision-understanding
- microsoft
- open-weights
Ofte stillede spørgsmål
Hvad er Florence-2 Large?
Florence-2 Large er en model fra Community i kategorien Multimodal.
Hvad koster Florence-2 Large på Railwail?
På Railwail koster Florence-2 Large ≈ 0,0012 US$ pr. kørsel. Du betaler for det, som hver anmodning faktisk bruger. Forbrug betales fra forudbetalte credits; 1 credit svarer til 0,01 US$.
Hvilke indstillinger understøtter Florence-2 Large?
Ifølge dens inputskema kender Florence-2 Large disse parametre: prompt (op til 4.000 tegn), task (caption, detailed_caption, ocr, object_detection eller segmentation), image_url, max_tokens (1 til 4.096) og temperature (0 til 2).
Hvor hurtig er Florence-2 Large?
Der er endnu ikke nok målte kørsler af Florence-2 Large på Railwail til at angive en udførelsestid. Det afhænger af inputtet, indstillingerne og belastningen hos provideren.
Er Florence-2 Large bedre end BLIP?
Det afhænger af opgaven. Florence-2 Large (Community) og BLIP (Salesforce) er begge modeller i kategorien Multimodal. Sammenligningssiden viser deres priser og specifikationer side om side.
Sammenlign Florence-2 Large og BLIPKan Florence-2 Large behandle billeder?
Ja. Florence-2 Large accepterer billeder som input ud over tekst.
Sammenlignelige modeller
Alle i denne kategori- BLIPSalesforce
Salesforce BLIP. Vision-language model for image captioning and visual question answering. Given an image it writes a short natural-language caption, or answers a question about the image when one is supplied. A widely used baseline for automatic captioning.
- CLIP InterrogatorCommunity
pharmapsychotic's CLIP Interrogator. Takes an image and produces a Stable-Diffusion-style text prompt by combining BLIP captioning with CLIP to rank likely subjects, artists, mediums and styles. Commonly used to reverse-engineer a prompt from an existing picture.
- Depth Anything v2Community
Monocular depth-estimation model trained on 595k labeled and 62M unlabeled images. Strong zero-shot generalization in indoor and outdoor scenes.
Alle modeller via én API
En API-nøgle til alle modeller på Railwail. Forbrug debiteres fra forudbetalte credits, 1 credit = 0,01 US$.