# 多言語画像理解

Llama 4 Scout 17B 4E Instruct
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。
大規模言語モデル Transformers 複数言語対応
L
shadowlilac
53
1
Llama 4 Scout 17B 16E Unsloth Bnb 4bit
その他
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。
マルチモーダル融合 Transformers 複数言語対応
L
unsloth
2,492
1
Chitrarth
その他
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。
画像生成テキスト 複数言語対応
C
krutrim-ai-labs
410
11
Llama 3.2 11B Vision Instruct Abliterated 4 Bit
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。
テキスト生成画像 Transformers 複数言語対応
L
mlx-community
173
1
Paligemma 3b Pt 448
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。
画像生成テキスト Transformers
P
google
2,708
29
Paligemma 3b Pt 224
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。
画像生成テキスト Transformers
P
google
38.40k
318
AIbase
未来を切り開く、あなたのAIソリューション知識ベース
© 2025AIbase