Les informations se présentent sous diverses modalités. Les modèles d’intelligence artificielle nativement multimodaux sont essentiels pour intégrer les informations du monde réel et offrir une compréhension globale. Bien qu’il existe des modèles multimodaux natifs propriétaires, leur manque de transparence constitue un obstacle majeur à leur adoption, encore plus à leur adaptation. Pour combler ce vide, nous introduisons Aria, un modèle multimodal natif open source offrant des performances de premier plan sur une large gamme de tâches multimodales, linguistiques et de codage. Aria est un modèle à mélanges d’experts, avec respectivement 3,9 milliards et 3,5 milliards de paramètres activés par jeton visuel et jeton textuel. Il surpasser Pixtral-12B et Llama3.2-11B, et se positionne en concurrence avec les meilleurs modèles propriétaires sur diverses tâches multimodales. Nous avons pré-entraîné Aria de zéro selon un pipeline en quatre étapes, qui confère progressivement au modèle des capacités solides en compréhension linguistique, compréhension multimodale, gestion de fenêtres contextuelles longues et suivi d’instructions. Nous mettons à disposition, en open source, les poids du modèle ainsi qu’une base de code facilitant son adoption et son adaptation dans des applications du monde réel.