英伟达推出视觉语言模型：VILA具备情景学习能力，可在多个图像之间推理、理解视频

NVIDIA开发了VILA，这是一个视觉语言模型，它通过全面预训练、指令调整和部署流水线，优化了多模态产品的性能。

VILA在图像和视频问答基准测试中达到了最先进的性能，具备强大的多图像推理和上下文学习能力，同时针对推理速度进行了优化。

该模型使用更少的token，并通过4-bit AWQ量化，以减少计算需求，同时保持准确性。VILA还设计了多种大小的模型，以适应从高端到边缘设备的部署需求。