AIbase
JA
ホーム
Qwen2.5vl 3B VLM R1 REC 500steps
Q

Qwen2.5vl 3B VLM R1 REC 500steps

omlabによって開発
Qwen2.5-VL-3B-Instructを基にした視覚言語モデルで、VLM-R1強化学習によって強化され、指示表現理解タスクに特化しています。
テキスト生成画像
Safetensors
 英語#ゼロショット物体検出#マルチモーダル視覚言語モデル#強化学習最適化
ダウンロード数 976
リリース時間 : 2/20/2025

モデル概要

このモデルは視覚と言語理解能力を組み合わせ、ゼロショット物体検出タスクに特化しており、自然言語の記述に基づいて画像内の特定の対象を特定できます。

モデル特徴

強化学習強化
VLM-R1強化学習技術を採用し、指示表現理解タスクにおけるモデルの性能を向上させます。
ゼロショット能力
特定の対象に対して訓練を行うことなく物体検出タスクを実行できます。
マルチモーダル理解
視覚と言語情報を同時に処理し、クロスモーダル理解を実現します。

モデル能力

画像理解
自然言語処理
物体検出
クロスモーダル推論

使用事例

コンピュータビジョン
画像検索
自然言語の記述に基づいて画像ライブラリから特定の対象を検索
記述された対象を正確に識別・特定可能
インテリジェントアシスタンス
視覚障害者が画像内容を理解するのを支援
画像内の特定対象を音声で説明
ロボット技術
対象把持
音声指令に基づいて特定の物体を識別・把持
ロボット操作の精度と柔軟性を向上
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