Florence-2 Large

MultimodalDisponible
par CommunityID du modèle: florence-2-large

Microsoft Florence-2 Large. Unified prompt-based vision foundation model for captioning, detection, segmentation and OCR with a single 770M-param backbone.

Prix
≈ 0,0012 $US/exécution
Entrée → Sortie
Texte + Image → Texte
Développeur
Community
Mis à jour
23 septembre 2026
01

Playground

Essayer Florence-2 Large

Entrée et résultat

≈ 0,0012 $US/exécution
Essayer Florence-2 Large

0 / 4 000

Paramètres avancés (2)
Résultat
La réponse apparaît ici.

Cette exécution

environ 0,0012 $US · 0,12 crédits

0,0036 $US (0,36 crédits) sont réservés au démarrage ; le temps GPU réel est facturé.

Nouveau par ici ?

10 crédits gratuits (0,10 $US) lors de l'inscription avec Google

Utilisable 24 heures après l'inscription, jusqu'à 5 exécutions par jour et au maximum 2 crédits par exécution. Les autres méthodes de connexion commencent sans crédits. Suffisant pour 27 exécutions de ce modèle.

02

Examples

Real outputs from the public examples of this model on Replicate, with the prompt and settings that produced them. They were not generated live on this page.
  • Example output 1 from Florence-2 LargeOpen full size
    InputInput

    No text prompt: the model only takes the input shown.

  • Example output 2 from Florence-2 LargeOpen full size
    InputInput

    No text prompt: the model only takes the input shown.

  • Example output 3 from Florence-2 LargeOpen full size
    InputInput

    No text prompt: the model only takes the input shown.

03

À propos de Florence-2 Large

RésuméAu 23 septembre 2026

Florence-2 Large est un modèle de Community dans la catégorie Multimodal. Sur Railwail, Florence-2 Large coûte ≈ 0,0012 $US par exécution.

04

Tarification

Prix en dollars US. L'utilisation est facturée à partir de crédits prépayés.
Exécution typique (≈ 1 s sur L40S)0,0012 $US par exécution
Temps GPU (L40S)0,00117 $US par seconde GPU
  • Facturé selon le temps GPU réellement utilisé. Au démarrage, 3× le prix typique est réservé sur votre solde et régularisé ensuite.
  • 1 crédit = 0,01 $US

Calculateur de coûts

Calculateur de prix

s

Typique selon le fournisseur : environ 1 s

Total

0,12 $US

12 crédits

Par exécution

0,0012 $US · 0,12 crédits

Facturé selon le temps GPU réel ; ceci est une estimation.

05

API

Appelez Florence-2 Large avec votre clé API Railwail. Utilisez cet ID de modèle dans la requête :

Aucun exemple API vérifié

L'API publique transmet un format d'entrée différent de celui dont ce modèle a besoin. Utilisez le playground ci-dessus.

06

Spécifications

ID du modèle
florence-2-large
Développeur
Community
Catégorie
Multimodal
Entrée
Texte, Image
Sortie
Texte
Facturation
À l'usage (tokens ou temps GPU)
Entrée du catalogue mise à jour
23 septembre 2026

Paramètres d'entrée

Entrées et paramètres du schéma d'entrée du modèle. L'exemple dans la section API montre lesquels l'API accepte.

  • promptObligatoire

    User message or task instruction

    Type: Texte
    Défaut: –
    Valeurs autorisées: Jusqu'à 4 000 caractères
  • task
    Type: Choix
    Défaut: caption
    Valeurs autorisées: caption, detailed_caption, ocr, object_detection ou segmentation
  • image_url

    Image URL to analyze

    Type: Texte
    Défaut: –
    Valeurs autorisées: –
  • max_tokens
    Type: Nombre entier
    Défaut: 1024
    Valeurs autorisées: 1 à 4 096
  • temperature
    Type: Nombre
    Défaut: 0.7
    Valeurs autorisées: 0 à 2

Étiquettes

  • replicate
  • multimodal
  • vision-understanding
  • microsoft
  • open-weights
07

Questions fréquemment posées

Qu'est-ce que Florence-2 Large ?

Florence-2 Large est un modèle de Community dans la catégorie Multimodal.

Combien coûte Florence-2 Large sur Railwail ?

Sur Railwail, Florence-2 Large coûte ≈ 0,0012 $US par exécution. Vous êtes facturé pour ce que chaque requête utilise réellement. L'utilisation est payée à partir de crédits prépayés ; 1 crédit équivaut à 0,01 $US.

Quels paramètres Florence-2 Large supporte-t-il ?

Selon son schéma d'entrée, Florence-2 Large connaît ces paramètres : prompt (Jusqu'à 4 000 caractères), task (caption, detailed_caption, ocr, object_detection ou segmentation), image_url, max_tokens (1 à 4 096) et temperature (0 à 2).

Quelle est la vitesse de Florence-2 Large ?

Il n'y a pas encore assez d'exécutions mesurées de Florence-2 Large sur Railwail pour indiquer un temps d'exécution. Cela dépend de l'entrée, des paramètres et de la charge chez le fournisseur.

Florence-2 Large est-il meilleur que BLIP ?

Cela dépend de la tâche. Florence-2 Large (Community) et BLIP (Salesforce) sont tous deux des modèles de la catégorie Multimodal. La page de comparaison affiche leurs prix et spécifications côte à côte.

Comparer Florence-2 Large et BLIP

Florence-2 Large peut-il traiter des images ?

Oui. Florence-2 Large accepte les images en entrée en plus du texte.

08

Modèles comparables

Tous dans cette catégorie
  • 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.

    ≈ 0,00030 $US/exécution

    75 % moins cher par unité

    Comparer Florence-2 Large et BLIP
  • 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.

    ≈ 0,0457 $US/exécution

    3 708 % plus cher par unité

    Comparer Florence-2 Large et CLIP Interrogator
  • Monocular depth-estimation model trained on 595k labeled and 62M unlabeled images. Strong zero-shot generalization in indoor and outdoor scenes.

    ≈ 0,0050 $US/exécution

    317 % plus cher par unité

    Comparer Florence-2 Large et Depth Anything v2

Tous les modèles via une seule API

Une clé API pour tous les modèles sur Railwail. L'utilisation est facturée à partir de crédits prépayés, 1 crédit = 0,01 $US.