# 視覚言語推論

Qwen2.5-VL-7B-Instructを基にした視覚言語モデルで、画像品質評価タスクに特化

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と同じ研究技術に基づいて構築されており、マルチモーダル入力とテキスト出力をサポートしています。

Qwen2.5-VL-7B-Instructモデルをファインチューニングしたマルチモーダルモデルで、Unsloth高速化フレームワークとTRLライブラリを使用し、速度が2倍向上

Llama-3.2V-11B-cot は自発的かつ体系的な推論が可能な視覚言語モデルで、LLaVA-CoTフレームワークに基づいて開発されました。

DePlotは視覚言語推論モデルで、グラフ画像を線形化された表に変換し、大規模言語モデルと組み合わせて少数サンプル推論を実現