Florence-2
Компактная открытая vision-модель Microsoft (июнь 2024, лицензия MIT): одна модель решает подписи к изображениям, детекцию объектов, OCR, сегментацию и region grounding по текстовому промпту. Версии base (0.23B) и large (0.77B) - крошечные, но конкурируют с моделями в разы крупнее. Не чат-бот, а рабочая лошадка для vision-пайплайнов.
Рейтинг и бенчмарки
Входные и выходные данные
Способы доступа
Сценарии использования
Тарифы и подписки - Microsoft
Актуальные планы подписки провайдера. Цены могут меняться - уточняйте на странице цен
- Чекпойнты base/large и fine-tuned на Hugging Face (MIT)
- Запуск через transformers - даже на CPU (base)
- Коммерческое использование без ограничений
- Готовые task-промпты: <CAPTION>, <OD>, <OCR>, <REFERRING_EXPRESSION_SEGMENTATION> и др.
Плюсы и минусы
Подробный обзор
Что такое Florence-2
Florence-2 - компактная открытая vision-модель от Microsoft, выпущенная в июне 2024 года под свободной лицензией MIT. Ее идея - одна модель на все базовые задачи компьютерного зрения: вместо того чтобы держать отдельные сети для подписей, детекции, OCR и сегментации, вы даете Florence-2 картинку и специальный текстовый промпт-задачу, а она возвращает нужный результат. Архитектурно это компактная seq2seq-модель (визуальный энкодер DaViT + трансформер-энкодер-декодер), которая трактует любую задачу как "текст по картинке".
Что умеет - по промпту
- Подписи к изображениям - три уровня детализации, от короткой до развернутой
- Детекция объектов и open-vocabulary detection - боксы с метками, в т.ч. по произвольному запросу
- OCR - распознавание текста на изображении, в том числе с координатами
- Region grounding и сегментация - "покажи, где на фото красная машина" → бокс или маска
- Dense-региональные подписи - описание отдельных областей кадра
Под капотом - обучение на датасете FLD-5B: 5.4 млрд аннотаций на 126 млн изображений. Именно это позволяет крошечной модели (base - 0.23B, large - 0.77B параметров) показывать качество на уровне моделей, которые в разы больше.
Где применяют и статус в 2026
Florence-2 - не разговорная модель, а рабочий инструмент для разработчиков. Ее главные сценарии: авторазметка датасетов (быстро и дешево разметить тысячи картинок), vision-бэкенд в пайплайнах (например, Florence-2 находит объект, а SAM 2 вырезает точную маску), извлечение текста и структуры из документов и скриншотов. Несмотря на то что модель вышла в 2024 году и с тех пор не обновлялась, она остается одной из самых популярных легких vision-моделей - за счет связки "крошечный размер + MIT-лицензия + много задач сразу". Для сложного рассуждения над изображением сегодня берут большие мультимодальные LLM, но для механической работы со зрением Florence-2 часто оптимальнее.
Доступность в России
Модель работает в России без ограничений - это открытые веса под MIT: качаете с Hugging Face (доступен из РФ, иногда нужен VPN для стабильности загрузки) и запускаете локально через библиотеку transformers. Аккаунты, зарубежные карты и подписки не нужны, base-версия идет даже на CPU. Единственный нюанс - модель оптимизирована под английский, поэтому OCR и подписи на русском получаются слабее, чем на английском.
Часто задаваемые вопросы
Что такое Florence-2?
Florence-2 - это чат-бот?
Сколько стоит Florence-2?
Какие задачи Florence-2 выполняет?
Какое железо нужно?
Работает ли Florence-2 в России?
Для чего Florence-2 подходит лучше всего?
Другие модели Microsoft
Смотреть все →
