# マルチモーダル命令微調整

Qwen2.5アーキテクチャに基づくビジュアルQAモデルで、ベトナム語シナリオに特化し、画像関連の質問に対する解答をサポートします。

R1-VL-2Bは、段階的グループ相対戦略最適化（StepGRPO）によって訓練された視覚言語推論モデルで、Qwen2-VL-2B-Instructを基に最適化されています。

microsoft/Phi-4-multimodal-instructを微調整した韓国語自動音声認識(ASR)および音声翻訳(AST)モデルで、zeroth-koreanとfleursデータセットで優れた性能を発揮します。

SmolVLM2-2.2B-Instruct-4bit はMLXフォーマット変換に基づく視覚言語モデルで、動画テキストからテキストへのタスクに特化しています。

Qwen2-VL-7B-Instructを基にした韓国語視覚言語モデルで、画像からテキストタスクをサポート

Pixtral-12B-2409を微調整したマルチモーダル大規模言語モデルで、豊富な画像説明の生成に特化

これはLlama-3.2-11B-Vision-Instructに基づくマルチモーダルモデルで、画像とテキストの入力をサポートし、テキスト出力を生成します。

Qwen2-VL-7B-Instructは、SafeRLHFデータセットで微調整されたマルチモーダル大規模言語モデルで、視覚質問応答タスクに焦点を当て、安全性を重視しています。

ChartGemmaはPaliGemmaを基に構築されたグラフ理解と推論モデルで、視覚的指令微調整を通じて直接グラフ画像を処理し、視覚的トレンドと基盤情報を捕捉します。

ViP-LLaVAはオープンソースのマルチモーダルチャットボットで、LLaMA/Vicunaを画像と地域レベルの命令データで微調整してトレーニングされています。

LLaVA-Medは視覚命令微調整によって構築されたバイオメディカル分野のマルチモーダルモデルで、バイオメディカル画像とテキストを処理する能力を備えています。