# マルチモーダル理解

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。

Cosmos-Reason1-7BはNVIDIAがリリースした70億パラメータ規模のベースモデルで、画像からテキストへの変換タスクに特化しています。

Mistral Smallモデルを基にした視覚エンコーダーで、画像テキスト生成タスクをサポートし、llama.cppフレームワークに適応

FastVLM-0.5B-Stage3は、ビジュアル理解と言語処理能力を備えた高効率のマルチモーダル言語モデルで、長時間ビデオを処理し、構造化出力を生成することができます。

FastVLM-0.5B-Stage2は、ビジュアルコンテンツを理解し、テキストタスクを処理できる効率的なマルチモーダル言語モデルです。

Magma-8BはGGUF形式の画像テキストからテキストへの変換モデルで、マルチモーダルタスク処理に適しています。

タイ・英語バイリンガルの現実世界文書解析のために特別に設計された視覚言語モデル、Qwen2.5-VL-Instructionフレームワークベース

Gemma 3はGoogleが提供する軽量オープンモデルシリーズで、Gemini技術を基盤に構築されており、マルチモーダル入力とテキスト出力をサポートします。

Qwen2.5-VL-72B-Instructのマルチモーダル大規模言語モデル量子化バージョン、画像テキストからテキストタスクをサポート、高精度から低メモリ要求までの多様な量子化レベルに対応。

Qwen2.5-VL-7B-Instructの量子化バージョンで、llama.cppを使用して量子化されており、マルチモーダルタスクをサポートし、画像からテキストへの変換などのアプリケーションシーンに適しています。

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

TEMPURAは因果推論と細粒度時間セグメンテーションを統合したビデオ時系列理解フレームワークで、2段階トレーニングによりビデオイベント理解能力を向上

Qwen2.5-VL-7B-Instructをファインチューニングしたカメラ運動分析モデルで、ビデオ内のカメラ運動分類とビデオ-テキスト検索タスクに特化

80億のMetaCLIPデータで訓練された70億パラメータの視覚Transformerモデル、DINOv2自己監視学習フレームワークを採用、言語監視不要

Gemma 3はGoogleがGemini技術を基に構築した軽量オープンモデルシリーズで、12Bバージョンは量子化対応トレーニング(QAT)技術を採用し、マルチモーダル入力と128Kコンテキストウィンドウをサポートします。

Gemma 3はGoogleが開発した軽量級で最先端のマルチモーダルオープンソースモデルで、テキストと画像の入力を処理し、テキスト出力を生成することができます。

Gemma 3はGoogleがGemini技術に基づいて構築した軽量オープンモデルシリーズで、マルチモーダル入力とテキスト出力をサポートし、128Kの大規模コンテキストウィンドウと140以上の言語サポートを備えています。

Gemma 3はGoogleが開発した軽量マルチモーダルモデルで、テキストと画像の入力を処理し、テキスト出力を生成することができます。このモデルは128Kの大きなコンテキストウィンドウと140種類以上の言語のマルチ言語サポートを備えています。

Gemma 3はGoogleが提供する軽量で先進的なオープンモデルシリーズで、Geminiモデル技術を基盤としており、マルチモーダル入力とテキスト出力をサポートしています。

Gemma 3はGoogleが提供する軽量オープンモデルシリーズで、Geminiモデルの研究と技術に基づいて構築されています。12Bバージョンは指示チューニングされたマルチモーダルモデルで、テキストと画像の入力をサポートし、テキスト出力を生成します。

GemmaはGoogleが提供する軽量オープンモデルシリーズで、Geminiモデル技術を基に構築されています。Gemma 3はマルチモーダルモデルで、テキストと画像の入力をサポートし、テキスト出力を生成します。128Kの大規模コンテキストウィンドウと多言語能力を備えています。

Gemma 3はGoogleが発表した軽量で最先端のオープンモデルファミリーで、Geminiモデルと同じ研究と技術に基づいて構築されています。マルチモーダル入力とテキスト出力をサポートします。

Gemma 3はGoogleが開発した軽量で最先端のマルチモーダルオープンソースモデルで、テキストと画像の入力を処理し、テキスト出力を生成できます。様々なテキスト生成と画像理解タスクに適しています。

Salesforce/blip2-opt-2.7bをファインチューニングした視覚言語モデルで、画像質問応答タスク用

BLIPは統一された視覚-言語事前学習フレームワークで、画像キャプション生成などの視覚-言語タスクに優れています

InternVL3-8B-6bit はMLXフォーマット変換に基づく視覚言語モデルで、多言語の画像テキストからテキストへのタスクをサポートします。

Gemma 3 12B ITはGoogleが開発した大規模言語モデルで、マルチモーダル入力と長いコンテキスト処理をサポートしています。

Googleが開発したGemma 3 4B ITモデルは、マルチモーダル入力と長文コンテキスト処理をサポートし、テキスト生成や画像理解タスクに適しています。

Kimi-VL-A3B-Thinking-8bitは、MLX形式に変換されたマルチモーダル視覚言語モデルで、画像テキストからテキストへの生成タスクをサポートしています。

Kimi-VL-A3B-Thinking-6bitは、MLX形式に変換された多言語のビジュアル言語モデルで、画像テキストからテキストへのタスクをサポートしています。

Gemma 3 27B IT QAT BF16 は Google がリリースした Gemma シリーズモデルのバージョンで、量子化認識トレーニング（QAT）を経て BF16 形式に変換され、MLX フレームワークに適しています。

これはGoogle Gemma 3 27Bモデルに基づく量子化バージョンで、6ビット量子化をサポートし、画像テキストからテキストへのタスクに適しています。

このモデルはgoogle/gemma-3-27b-it-qat-q4_0-unquantizedからMLXフォーマットに変換された3ビット量子化バージョンで、画像テキストからテキストタスクに適しています。

Gemma 3 27B IT QAT 4bit はGoogleのオリジナルモデルから変換されたMLX形式のモデルで、画像テキストからテキストへのタスクをサポートします。

これはRed HatとNeural Magicによって最適化されたINT8量子化されたMistral-Small-3.1-24B-Instruct-2503モデルで、高速応答と低遅延シナリオに適しています。

Gemma 3 4B IT QAT 4bit は、量子化認識トレーニング（QAT）を経た4ビット量子化大規模言語モデルで、Gemma 3アーキテクチャに基づき、MLXフレームワーク向けに最適化されています。

Gemma 3はGoogleが提供する軽量で先進的なマルチモーダルオープンモデルで、Geminiモデルと同じ研究と技術に基づいて構築されており、テキストと画像の入力をサポートしテキスト出力を生成します。

Llama 4 ScoutはMetaが開発したネイティブマルチモーダルAIモデルで、多言語テキストと画像の理解をサポートし、ハイブリッドエキスパートアーキテクチャを採用しており、テキストと画像の理解において業界をリードする性能を持っています。

VideoChat-R1_7B は Qwen2.5-VL-7B-Instruct をベースとしたマルチモーダル動画理解モデルで、動画とテキスト入力を処理し、テキスト出力を生成できます。

gemma-3-4b-itモデルを基にINT4量子化を施したバージョンで、ストレージと計算リソースの需要を大幅に削減