Cohere 发布首个视觉模型 Aya Vision

背景

Aya Vision 建立在 Aya Expanse 32B 之上。Aya Expanse 32B 是 Cohere 研究实验室发布的多语言开放权重语言模型。Aya Vision 为其加入了 SigLIP2 视觉编码器，使其能够处理图片 ^[2]。

发生了什么

2025 年 3 月 4 日，Cohere 的研究实验室发布了 Aya Vision，提供 8B 和 32B 两种开放权重规模 ^[1]。模型能够跨 23 种语言理解图片和文字 ^[1]。这是 Cohere 的首个视觉模型 ^[1]。

关键细节

Cohere 称，在多语言图像任务上，8B 模型击败了 Llama 90B，32B 模型击败了 Qwen 72B、Llama 90B 和 Molmo 72B ^[1]。权重以 CC BY-NC 4.0 许可证发布，仅可用于非商业用途 ^[1]。

用户可以通过 WhatsApp 试用该模型，也可以在 Hugging Face 和 Kaggle 上获取 ^[1]。

影响

这次发布把 Cohere 的多语言思路带入了视觉领域，开放权重让研究者能够在自己的机器上测试模型。由于许可证限于非商业用途，希望基于该模型开发产品的公司需要另行安排 ^[1]。