Command A Vision

是什么

Command A Vision 是 Cohere 的 Command 系列中第一个视觉语言模型（vision-language model），于 2025 年 7 月发布，配套的博客文章日期为 2025 年 7 月 31 日 ^[1]。它以文本和图像为输入，输出文本 ^[1]。模型卡把它描述为一个 1120 亿参数、面向企业级图像理解任务优化的模型 ^[1]。

怎么构成的

模型总共有 1120 亿参数。结构上，它把一个 SigLIP2-patch16-512 视觉编码器（vision encoder）通过一个多模态适配器（multimodal adapter）接到 Command A 语言模型上，让语言模型能以可与文本一起处理的形式接收视觉信息 ^[1]。

图像按小块处理：每个 512x512 的图像块编码为 256 个视觉 token，单张图像最多可用 12 个块再加一张缩略图，合计最多 3328 个 token ^[1]。这个块数上限，实际上就是模型控制一张图占据多少上下文的办法。模型支持的上下文长度为 128k token，不过 Hugging Face 上公布的配置默认是 32k ^[1]。

它支持英语、葡萄牙语、意大利语、法语、德语和西班牙语 ^[1]。

用来做什么

对文档和图表的侧重，模型卡和 Oracle 都讲到了。Oracle 把它描述为一个理解图像、图表和文档的多模态模型，并将它加入了 OCI Generative AI ^[2]。Oracle 称该模型很适合商业视觉语言应用，包括细致的文档检查和从图像中提取关键信息 ^[2]。在 Oracle 那边使用的模型 ID 是 cohere.command-a-vision-07-2025，给出的发布时间为 2025 年 7 月 ^[2]。

怎么发布

权重发布在 Hugging Face 上，采用 CC-BY-NC 非商业许可；商业用途通过 Cohere 安排 ^[1]。除开放权重外，它也以托管服务的形式提供：Oracle 的发布说明给出的日期是 2026 年 1 月 21 日，Command A Reasoning 和 Command A Vision 在这一天于 OCI Generative AI 中可用 ^[2]。

在系列中的位置

Command A Vision 是把 Command A 语言模型扩展到多模态输入，而不是另起一套架构，所以它的参数量和命名都沿着已有模型走 ^[1]。512x512 的图块、单图约 3300 个视觉 token 的上限、128k 上下文，这些设计选择说明它是围绕长文档和细节较多的图像来做的，而不是给短图配说明文字 ^[1]。面向企业使用，它同时以两种形式出现：可下载的权重和云上的服务 ^[1][2]。