# 多言語画像理解

Llama 4 ScoutはMetaが開発した170億パラメータの混合エキスパートアーキテクチャ(MoE)マルチモーダルモデルで、12言語と画像理解をサポートし、topk=4エキスパート動的融合メカニズムを採用しています。

Llama 4 ScoutはMetaが開発したマルチモーダル混合専門家モデルで、12言語と画像理解をサポートし、170億の活性化パラメータと10Mのコンテキスト長を備えています。

Chitrarthは多言語視覚言語モデルで、視覚と言語を結びつけることを目的としており、特にインドの多様な言語のサポートに重点を置いています。

このモデルはLlama-3.2-11B-Vision-Instructの4ビット量子化バージョンで、特定の環境で使用するためにMLX形式に変換されています。

PaliGemmaはSigLIP視覚モデルとGemma言語モデルを基盤とした軽量で多機能な視覚言語モデルで、多言語の画像テキスト相互作用タスクをサポートします。

PaliGemmaは多機能な軽量視覚言語モデル(VLM)で、SigLIP視覚モデルとGemma言語モデルを基に構築されており、画像とテキストの入力を同時に処理しテキスト出力を生成できます。