Git Base Textvqa
microsoft/git-base-textvqaを基にtextvqaデータセットでファインチューニングした視覚質問応答モデルで、テキストを含む画像の質問応答タスクに優れています
ダウンロード数 19
リリース時間 : 6/4/2023
モデル概要
このモデルはGITアーキテクチャをTextVQAデータセットでファインチューニングしたバージョンで、画像とその中のテキスト内容を同時に理解する必要がある視覚質問応答タスクに特化しています
モデル特徴
テキスト画像統合理解
画像中の視覚情報とテキスト内容を同時に処理可能
エンドツーエンド学習
統一されたTransformerアーキテクチャを使用したエンドツーエンド学習
効率的なファインチューニング
TextVQAデータセットで良好なファインチューニング効果を発揮
モデル能力
画像中のテキスト認識
画像テキストに基づく質問応答
マルチモーダル理解
視覚-言語統合推論
使用事例
インテリジェントアシスタント
シーンテキスト質問応答
画像中に出現するテキスト内容に関する質問に回答
TextVQA評価セットで損失値0.0472を達成
アクセシビリティ技術
画像テキスト説明
視覚障害者向けに画像中のテキスト内容を説明
おすすめAIモデル
Llama 3 Typhoon V1.5x 8b Instruct
タイ語専用に設計された80億パラメータの命令モデルで、GPT-3.5-turboに匹敵する性能を持ち、アプリケーションシナリオ、検索拡張生成、制限付き生成、推論タスクを最適化
大規模言語モデル
Transformers 複数言語対応

L
scb10x
3,269
16
Cadet Tiny
Openrail
Cadet-TinyはSODAデータセットでトレーニングされた超小型対話モデルで、エッジデバイス推論向けに設計されており、体積はCosmo-3Bモデルの約2%です。
対話システム
Transformers 英語

C
ToddGoldfarb
2,691
6
Roberta Base Chinese Extractive Qa
RoBERTaアーキテクチャに基づく中国語抽出型QAモデルで、与えられたテキストから回答を抽出するタスクに適しています。
質問応答システム 中国語
R
uer
2,694
98