# 画像理解

Gemma 3 27B IT QAT 8bit はGoogleのGemma 3 27Bモデルを変換したMLX形式のモデルで、画像からテキストへのタスクをサポートします。

Qwen2.5-VL-7B-Instruct-GPTQ-Int4はQwen2.5-VL-7B-Instructモデルを非公式にGPTQ-Int4量子化したバージョンで、画像からテキストへのマルチモーダルタスクをサポートします。

Qwen2-VL-2Bはビジュアル言語モデルで、GGUF形式の量子化バージョンを提供し、さまざまなシーンに適用できます。

InternLM-XComposer2.5-OLは、長時間ストリーミング映像と音声のインタラクションをサポートする全方位マルチモーダルシステムです。

これはtransformersと互換性のある視覚言語モデルで、画像理解とテキスト生成能力を備えています

LLaVA-Saiga-8bはIlyaGusev/saiga_llama3_8bモデルを基に開発された視覚-言語モデル（VLM）で、主にロシア語タスクに適応していますが、英語処理能力も保持しています。

実験的な視覚モデルで、キーワードタグと長文記述を融合して画像プロンプトを生成

llava-calm2-siglip は実験的な視覚言語モデルで、画像に関する質問に日本語と英語で回答できます。

google/paligemma-3b-mix-448を微調整したマルチモーダル対話モデルで、マルチターン対話シーンに最適化されています

このモデルは、google/paligemma-3b-pt-224をVQAv2データセットの一部でファインチューニングしたバージョンで、視覚的質問応答タスクに特化しています。

Meta-Llama-3-8B-InstructとCLIP-ViT-Large-patch14-336をファインチューニングしたLLaVAモデルで、画像からテキストへの変換タスクをサポート

Phi-3-mini-4k-instructとCLIP-ViT-Large-patch14-336をファインチューニングしたLLaVAモデルで、画像からテキストへの変換タスクをサポート

このモデルはSalesforce/blip-vqa-baseをファインチューニングした視覚質問応答モデルで、ファッション分野に特化しています

視覚と言語能力を結合したマルチモーダルモデルで、マージ手法により画像とテキストのインタラクション機能を実現します。

Eris Prime V2は7Bパラメータ規模のマルチモーダル言語モデルで、視覚機能をサポートし、Koboldcppとの併用が必要です。

ViTアーキテクチャに基づくCLIPモデル、ゼロショット画像分類タスク用

LLaVAは、画像に関連するテキストコンテンツを理解し生成できる視覚言語モデルです。

TeCoAはOpenAI CLIPで初期化された視覚言語モデルで、教師あり対抗微調整によりロバスト性を向上

LLaVAはTransformerアーキテクチャに基づくオープンソースのマルチモーダルチャットボットで、量子化技術により様々なサイズと品質のバランスを取ったモデルバージョンを提供します。

LLaVAは視覚言語モデルで、画像に関連するテキストコンテンツを理解し生成できます。

これはApache-2.0ライセンスに基づく視覚的質問応答モデルで、英語をサポートし、視覚に関連する質問応答タスクに特化しています。

Llava v1.5 13BはHaotian Liuによって開発されたマルチモーダルモデルで、視覚と言語の能力を組み合わせ、画像とテキストに基づくコンテンツを理解し生成できます。

MITライセンスに基づく視覚言語モデルで、画像からテキスト記述を生成することに特化しています。

mPLUG-OwlはLLaMA-7Bアーキテクチャに基づくマルチモーダル大規模言語モデルで、画像理解とテキスト生成タスクをサポートします。

画像の内容をテキスト記述に変換することに特化したモデルで、中国語処理をサポートしています。

未知のデータセットでファインチューニングされたBEiTベースモデル、具体的な用途と性能情報は現在利用不可

UperNetは、ピクセルレベルのセマンティックラベル予測のためのConvNeXt大型バックボーンネットワークを組み合わせたセマンティックセグメンテーションフレームワークです。