AIbase
JA
ホーム
Instancecap Captioner
I

Instancecap Captioner

AnonMegumiによって開発
Qwen2.5-VL-7B-Instructをinstancevidデータセットでファインチューニングした視覚言語モデルで、インスタンスレベルの画像記述生成に特化
画像生成テキスト
Transformers
オープンソースライセンス:その他#視覚言語モデル#インスタンス動画記述#マルチモーダル生成
ダウンロード数 14
リリース時間 : 4/8/2025

モデル概要

これは視覚言語モデルで、画像内の特定インスタンスの詳細な記述を生成できます。Qwen2.5-VL-7B-Instructアーキテクチャを基に、instancevidデータセットでファインチューニングされています。

モデル特徴

インスタンスレベル画像記述
画像全体の一般的な記述ではなく、特定インスタンスに対する詳細な記述を生成可能
マルチモーダル理解
視覚と言語理解能力を統合し、複雑な画像-テキスト関連タスクを処理可能
効率的なファインチューニング
LoRAなどの効率的なファインチューニング技術を使用し、元モデルの性能を維持しながら特定タスクを最適化

モデル能力

画像理解
インスタンスレベル記述生成
マルチモーダル推論
視覚的質問応答

使用事例

コンテンツ生成
EC製品記述
ECプラットフォーム上の製品の詳細な視覚的記述を自動生成
製品記述の正確性と豊富さを向上
アクセシビリティ支援
視覚障害者向けに画像内容の詳細な音声記述を提供
デジタルコンテンツのアクセシビリティ向上
コンピュータビジョン
動画コンテンツ分析
動画フレーム内の特定オブジェクトを連続的に記述
動画コンテンツ理解と検索を支援
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
AIbase
未来を切り開く、あなたのAIソリューション知識ベース
English简体中文繁體中文にほんご
© 2025AIbase