Llama 3.2 90B Vision (multimodal)

FjölbreytilegtEkki tiltækt
eftir MetaAuðkenni módels: llama-3-2-90b-vision-mm

Meta's flagship vision-language model. 90B parameters, image understanding + chat, strong VQA performance.

Staða
Ekki tiltækt
Samhengi
131.072 tákn
Hámarksúttak
8.192 tákn
Inntak → úttak
Texti + Mynd → Texti
Þróunaraðili
Meta
Uppfært
25. júní 2026

Llama 3.2 90B Vision (multimodal) er ekki tiltækt eins og er

Ekki tiltækt sem stendur: þetta módel hefur verið óvirkt.

Þú getur enn lesið upplýsingarnar á þessari síðu. Veldu einn af tiltækum valkostum hér að neðan til að keyra sambærilegt módel strax.

Fara í valkosti
01

Sambærileg módel

Öll í þessum flokki
  • 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 USD/keyrsla

  • Anthropic's April 2026 flagship. 87.6% on SWE-bench Verified, 3x higher image resolution, output self-verification, vision + reasoning.

    6,00 USD/1M inn

  • Anthropic's balanced mid-tier model from February 2026. Best price/performance for production workloads: 5x cheaper than Opus, near-flagship quality.

    3,60 USD/1M inn

02

Leiksvæði

Prófaðu Llama 3.2 90B Vision (multimodal)

Spjall

Ekki fáanlegt sem stendur

Ekki tiltækt sem stendur: þetta módel hefur verið óvirkt.

Leiksvæðið er óvirkt. Þú getur fundið sambærileg módel í sama flokki: Skoðaðu valkosti

Prófaðu Llama 3.2 90B Vision (multimodal)

Sendu skilaboð. Svarið kemur í heilu sinni þegar módel er tilbúið (engin streymi).

Kerfisboð
Hámarkssvarlengd (tákn)

Þessi keyrsla

Engin verð – ekki tiltækt eins og er.

Nýr hér?

10 ókeypis inneign (0,10 USD) þegar þú skráir þig með Google

Hægt að nota 24 klst. eftir skráningu, allt að 5 keyrslur á dag og að hámarki 2 inneign á keyrslu. Aðrar innskráningaraðferðir byrja án inneignar.

03

Um Llama 3.2 90B Vision (multimodal)

StuttlegaFrá og með 25. júní 2026

Llama 3.2 90B Vision (multimodal) er módel frá Meta í flokknum Fjölbreytilegt. Llama 3.2 90B Vision (multimodal) er ekki tiltækt á Railwail eins og er. Samhengisgluggi geymir 131.072 tákn og ein svör getur verið allt að 8.192 tákn löng.

Bakgrunnur

Um Meta AI (FAIR)

Stofnað 2013 · Menlo Park, California, USA

Meta AI is the research arm of Meta Platforms, established in 2013 as Facebook AI Research (FAIR) by Yann LeCun. FAIR has open-sourced many foundational models including PyTorch, RoBERTa, DETR, SAM and the LLaMA family. LLaMA 1 was released in February 2023, LLaMA 2 in July 2023, LLaMA 3 in April 2024 and LLaMA 3.1 (405B) in July 2024. Llama 3.2 launched in September 2024 at Meta Connect, introducing the first multimodal models in the LLaMA family (vision-enabled 11B and 90B) together with tiny on-device text-only siblings (1B, 3B). All Llama 3.2 vision weights are released under the Llama 3 Community Licence and are widely used by enterprise customers via Meta's partner ecosystem (Hugging Face, AWS Bedrock, Azure AI Studio, Google Vertex, Together AI, Groq, Fireworks).

Heimsækja Meta AI (FAIR)

Arkitektúr

Decoder-only Transformer with cross-attended vision encoder

Llama 3.2 90B Vision combines the 70B-parameter Llama 3.1 text backbone (extended to 90B with vision components) and a Vision Transformer image encoder integrated via cross-attention adapter layers, similar in spirit to Flamingo but reusing the LLaMA architecture. The vision tower processes each image to a sequence of visual tokens which are injected into specific cross-attention layers of the LLM decoder while the original text-only weights remain frozen during the multimodal training stage, preserving text-only performance. Pretraining used 6B image-text pairs followed by multi-stage supervised fine-tuning and Direct Preference Optimisation (DPO) on a curated set of image instructions, math and chart data. The model supports a 128K context window and accepts up to 1120x1120 image inputs natively (with tiling for larger images). It does not support video or audio. Llama 3.2 90B Vision is released under the Llama 3 Community Licence (free for commercial use under 700M MAU).

Breytur
90B
Samhengi
128.000 tákn

Geta

  • Open-weights 90B vision-language model under Llama 3 Community Licence
  • 128K token context window
  • Image input up to 1120x1120 with tiling for larger images
  • Chart, diagram, OCR and document understanding
  • Strong on MMMU, MathVista, ChartQA and DocVQA among open-weights models
  • Multilingual: English, German, French, Italian, Portuguese, Spanish, Hindi, Thai
  • Tool use and JSON output via Llama 3.1 alignment recipe
  • Best for: open-weights multimodal apps, on-premise document AI, indie research

Þjálfun og leyfi

Pretrained on 6B image-text pairs from public web and licensed sources; supervised fine-tuning and DPO on curated multimodal instruction data. Text knowledge inherited from Llama 3.1 (15T tokens).

Leyfi: Llama 3 Community Licence: free for commercial use up to 700M MAU; redistribution must include the licence and acceptable use policy.

Öryggispróf: Meta publishes a comprehensive model card with red-team findings on CBRN, child-safety and hate-speech vectors, plus Llama Guard 3 and Prompt Guard 2 companion models for production safety.

Þekkt takmörk

  • No video or audio input
  • Latency and cost dominated by 90B params; requires multi-GPU serving
  • Licence restricts the largest hyperscaler use cases
  • Vision quality below GPT-4o and Claude 3.5 Sonnet on hardest charts
  • English-centric in vision domain
04

Verðlagning

Ekki tiltækt sem stendur: þetta módel hefur verið óvirkt. Engin verð fyrir þetta módel eins og er, svo það er ekki hægt að keyra það.

05

API

Kallaðu Llama 3.2 90B Vision (multimodal) með Railwail API-lyklinum þínum. Notaðu þessa módel-auðkenningu í beiðninni:
llama-3-2-90b-vision-mmAPI-skjölFáðu API-lykil

Ekki tiltækt sem stendur

Módel hefur engan staðfestan verð eða er óvirkt; API-köll eru hafnað.

06

Forskriftir

Módel-auðkenni
llama-3-2-90b-vision-mm
Þróunaraðili
Meta
Inntak
Texti, Mynd
Úttak
Texti
Samhengisglugginn
131.072 tákn
Hámark úttak
8.192 tákn
Stærð módels
90B
Leyfi
Llama 3 Community Licence: free for commercial use up to 700M MAU; redistribution must include the licence and acceptable use policy.
Vörulistafærsla uppfærð
25. júní 2026

Merki

  • meta
  • llama
  • multimodal
  • vision
  • open-weights
07

Notkunartilvik

Það sem það er notað fyrir

  • Open-weights document AI and OCR pipelines
  • On-premise vision-language assistants
  • Chart and diagram understanding for analytics
  • Compliance and regulated-industry multimodal apps
  • Research baselines for vision-language models
08

Algengar spurningar

Hvað er Llama 3.2 90B Vision (multimodal)?

Llama 3.2 90B Vision (multimodal) er módel frá Meta í flokknum Fjölbreytilegt. Það er skráð á Railwail en er ekki hægt að keyra það sem stendur.

Hvað kostar Llama 3.2 90B Vision (multimodal) á Railwail?

Llama 3.2 90B Vision (multimodal) er ekki hægt að keyra á Railwail sem stendur, svo engar núverandi verðir eru til. Fáanlegir valkostir með verðum eru skráðir lengra niður á þessari síðu.

Hversu stór er samhengisgluggi Llama 3.2 90B Vision (multimodal)?

Samhengisgluggi Llama 3.2 90B Vision (multimodal) geymir 131.072 tákn. Ein svör getur verið allt að 8.192 tákn löng.

Hversu hratt er Llama 3.2 90B Vision (multimodal)?

Það eru ekki nóg mældar keyrslur af Llama 3.2 90B Vision (multimodal) á Railwail ennþá til að tilgreina keyrslutíma. Það fer eftir inntakinu, stillingum og álagi hjá veitandanum.

Er Llama 3.2 90B Vision (multimodal) betra en BLIP?

Það fer eftir verkefninu. Llama 3.2 90B Vision (multimodal) (Meta) og BLIP (Salesforce) eru bæði módel í flokknum Fjölbreytilegt. Samanburðarsíðan sýnir verð og forskriftir þeirra hlið við hlið.

Bera saman Llama 3.2 90B Vision (multimodal) og BLIP

Getur Llama 3.2 90B Vision (multimodal) unnið úr myndum?

Já. Llama 3.2 90B Vision (multimodal) tekur myndir sem inntok auk texta.

Get ég notað Llama 3.2 90B Vision (multimodal) núna?

Ekki tiltækt sem stendur: þetta módel hefur verið óvirkt. Síðan helst á netinu; fáanlegir valkostir úr sama flokki eru skráðir lengra niður.

Öll módel í gegnum eina API

Einn API-lykil fyrir öll módel á Railwail. Notkun er rukkuð frá fyrirframgreiddum inneign, 1 inneign = 0,01 USD.