# マルチモーダル変換

Diffusersで実装された画像生成動画モデル、5Bパラメータ規模

TencentのHunyuanVideo-I2Vは、Diffusersベースの画像から動画への変換モデルで、静止画像を動画に変換できます。

これは画像テキストをテキストに変換するモデルで、google/gemma-3-4b-ptの量化バージョンに基づいており、知識を大衆に共有することを目指しています。

MiniCPM-o-2_6 はマルチモーダル変換モデルで、複数の言語をサポートし、様々なタスクに適しています。

これは画像テキストからテキストへの変換モデルで、画像とテキスト入力を処理し、対応するテキスト出力を生成できます。

これはOMEGA LabsとBittensorが協力して開発した任意から任意へのサブネット向けのモデルチェックポイントで、汎用人工知能タスクを実現することを目的としています。

OMEGA LabsとBittensorが共同開発した任意から任意への変換モデルで、人工汎用知能分野に焦点を当てています。

OMEGA LabsとBittensorが共同開発したAny-to-Anyモデルで、複数のタスク変換をサポート

OMEGA LabsとBittensorが協力して開発した任意から任意サブネットモデルで、汎用人工知能タスクに特化しています。

ViT-GPT2アーキテクチャに基づく画像キャプション生成モデルで、入力画像を記述テキストに変換可能

Vchitect-2.0はテキストから動画生成や画像から動画生成タスクに特化した、動画拡散モデルを拡張するための並列Transformerモデルです。

PaliGemma 224x224をgoogle/docciとgoogle/imageinwordsデータセットで微調整したバージョンで、画像テキストからテキストへの変換に使用されます。

4Mはトークン化とマスキング技術によりマルチモーダル拡張を実現する'任意から任意へ'の基盤モデルトレーニングフレームワーク

これはtransformersベースの画像からテキストへの変換モデルで、具体的な機能はさらに情報を追加する必要があります

4Mは拡張可能なマルチモーダルマスクモデリングフレームワークで、任意から任意へのモーダル変換をサポートし、数十のモーダルとタスクをカバーします。

4Mは'任意から任意'のマルチモーダル基盤モデルを訓練するフレームワークで、トークン化とマスキング技術により複数の異なるモーダルに拡張可能です。

Transformersライブラリをベースにした画像からテキストへの変換モデルで、画像の内容を記述的なテキストに変換し、アート分野に適しています。

Flickr30kは、画像からテキストへのタスクのための英語データセットで、画像キャプション生成モデルのトレーニングや評価によく使用されます。