Vilt Finetuned 100
VQAデータセットでファインチューニングされたViLT-B32-MLMモデルベースの視覚言語モデル
ダウンロード数 15
リリース時間 : 5/7/2025
モデル概要
このモデルはViLTアーキテクチャに基づく視覚言語モデルで、VQA(視覚質問応答)データセットでファインチューニングされており、画像内容を理解し関連する質問に答えることができます。
モデル特徴
マルチモーダル理解
視覚とテキスト情報を同時に処理し、画像内容を理解して関連する質問に答えることが可能
Transformerアーキテクチャベース
先進的なTransformerアーキテクチャを採用し、視覚と言語特徴間の関係を効果的に捕捉
ファインチューニング最適化
VQAデータセットで専門的にファインチューニングされ、視覚質問応答タスクの性能を向上
モデル能力
画像内容理解
視覚質問応答
マルチモーダル特徴抽出
使用事例
スマートアシスタント
画像内容質問応答
ユーザーの画像内容に関する自然言語質問に回答
教育技術
視覚学習支援
教材中の画像内容を学生が理解するのを支援
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