# ビジュアル質問応答

これはgoogle/gemma-3-27b-itの量子化バージョンで、ビジュアル - テキスト入力とテキスト出力をサポートし、重み量子化と活性化量子化による最適化を行い、vLLMを使用して高効率推論が可能です。

VisionReasoner-7Bは画像テキストからテキストへのモデルで、解耦アーキテクチャを採用し、推論モデルと分割モデルで構成され、ユーザーの意図を解釈してピクセルレベルのマスクを生成できます。

Qwen2.5-VL-7B-InstructのFP8量子化バージョンで、vLLMを通じて効率的なビジュアル - テキスト推論をサポートします。

360VLはLLama3言語モデルをベースに開発されたマルチモーダルモデルで、強力な画像理解とバイリンガル対話能力を備えています。

Pix2Structは、画像エンコーダー - テキストデコーダーモデルで、画像記述やビジュアル質問応答など、さまざまなビジュアル言語タスクに対して訓練されています。

Pix2Structは、画像からテキストへの変換を通じて多タスク学習を行うビジュアル言語理解モデルで、画像記述生成やビジュアル質問応答などのタスクをサポートします。