Cohere 发布视觉模型 Command A Vision

背景

Command A 是 Cohere 的语言模型，Command A Vision 即建立在它之上 ^[1]。

发生了什么

2025 年 7 月 31 日，Cohere 发布了 Command A Vision，这是一款基于 Command A 构建的视觉语言模型 ^[1]。模型有 1120 亿个参数，并使用 SigLIP2 视觉编码器读取图片 ^[1]。随发布的博客文章注明的日期也是同一天 ^[1]。

关键细节

模型能够读取图片、图表和文档，并以文字作答 ^[2][1]。它可处理约 3 百万像素的图片，图片在处理前会被切分为 512×512 的图块 ^[1]。

权重以 CC-BY-NC 许可证发布在 Hugging Face 上，该许可证只允许非商业用途 ^[1]。因此，商业用户需要通过 Cohere 本身获取使用权。

影响

这次发布让研究者和开发者能够下载到一款公开权重的视觉模型，而此前 Cohere 更为人知的是其企业文字模型。之后，Oracle 把该模型与 Command A Reasoning 一同加入其 OCI Generative AI 服务，使商业客户可以通过大型云平台使用它 ^[2]。