凭借 Codestral、Mistral-NeMo 和 Mistral Large 2 备受关注的法国AI初创公司 Mistral，终于推出了首个支持文本与图像处理的多模态模型——Pixtral 12B。
Pixtral 12B 技术细节
Pixtral 12B 拥有 120 亿参数，模型大小约 24 GB，基于 Mistral Nemo 12B 构建。该模型可回答关于任意数量及尺寸图像的问题（支持 URL 或 Base64 编码），能执行图片配文、物体计数等任务，能力对标 Anthropic Claude 系列及 OpenAI GPT-4o。目前，包括训练数据在内的官方详细信息仍保持保密。
架构参数方面：包含 40 层网络、14,336 个隐藏维度及 32 个注意力头（Attention Heads）；配备支持 1024×1024 分辨率的专用图像编码器，以及用于高级图像处理的 24 个隐藏层。需注意，后续通过 API 调用时相关配置可能调整。
访问方式与使用许可
Pixtral 12B 已通过 GitHub 和 Hugging Face 开放种子链接下载。在遵守 Apache 2.0 许可证的前提下，用户可不受限制地下载、微调及使用该模型。此外，该模型即将登陆 Mistral 旗下聊天机器人 Le Chat 及 API 服务平台 Le Plateforme 进行测试。