Llama 3.2 11B Vision Instruct
Meta: Llama 3.2 11B Vision Instruct 是一款拥有110亿参数的多模态模型，专为处理结合视觉与文本数据的任务而设计，在图像描述等多模态任务中表现出色，能够有效整合视觉信息与文本逻辑，为各类需要图文协同处理的场景提供可靠的模型支持，助力完成复杂的多模态交互与内容生成类工作。
上下文 131K能看图
适合做什么
根据公开评测与能力标签，一句话帮你判断用途
整体来看，还能看图一起分析。
实力怎么样
Artificial Analysis 公开指数，分数越高越好，大约按 0–100 理解
这款模型还没有公开智能指数，评测榜暂时排不上。
去评测榜看其它模型大概要花多少钱
按每百万 tokens 计价（约等于几十万到上百万汉字量级）
读入内容
$0.345/M
你把资料/问题喂给模型的费用
写出回答
$0.345/M
模型生成回复的费用，通常更贵
举个例子：读进约 50 万 tokens、写出约 5 万 tokens，大约花费 $0.19（按公开标价估算）。
能处理什么
输入、输出与常见能力开关
能看懂
文本图像
能产出
文本
还会这些
工具调用JSON / 结构化指定输出格式推理参数可见思考过程