モデル選定

SigLIP視覚エンコーディング

# SigLIP視覚エンコーディング

Smolvlm 500M Anime Caption V0.2

アニメスタイルの画像記述に特化した視覚言語モデル、SmolVLM-500M-Baseをファインチューニング

画像生成テキスト

Safetensors 英語

Janus-Proは、マルチモーダル理解と生成を統一する新しい自己回帰フレームワークです。視覚エンコーディングパスを分離し、単一の統一Transformerアーキテクチャを使用してマルチモーダルタスクを処理します。

テキスト生成画像

Vit So400m Patch14 Siglip Gap 896.pali2 10b Pt

SigLIP画像エンコーダーに基づく視覚モデルで、グローバル平均プーリングを備えており、PaliGemma2モデルの一部です

テキスト生成画像

Vit So400m Patch14 Siglip Gap 448.pali Mix

SigLIP画像エンコーダーに基づく視覚言語モデルで、グローバル平均プーリング処理を採用し、マルチモーダルタスクに適しています。

テキスト生成画像

Vit So400m Patch14 Siglip 378.webli

SigLIPベースの視覚Transformerモデルで、画像エンコーダーのみを含み、オリジナルのアテンションプーリングメカニズムを採用しています。

Vit Large Patch16 Siglip 384.webli

SigLIPベースの視覚Transformerモデル、画像エンコーダーのみを含み、オリジナルアテンションプーリングを採用、画像特徴抽出タスクに適しています。

Vit Base Patch16 Siglip 384.webli

SigLIPベースの視覚Transformerモデル、画像エンコーダ部分のみを含み、オリジナルアテンションプーリングメカニズムを採用

Vit Base Patch16 Siglip 256.webli

SigLIPベースのViT-B-16画像エンコーダーモデルで、オリジナルアテンションプーリングを採用し、画像特徴抽出タスクに適しています。

Vit So400m Patch14 Siglip 224.webli

SigLIPベースの視覚Transformerモデル、画像エンコーダ部分のみを含み、オリジナルアテンションプーリングメカニズムを採用

Llm Jp 3 Vila 14b

国立情報学研究所によって開発された大規模視覚言語モデルで、日本語と英語をサポートし、強力な画像理解とテキスト生成能力を備えています。

画像生成テキスト

Safetensors 日本語

FLUX.1 Dev IP Adapter

FLUX.1-devモデルのIPアダプターで、画像処理方法をテキストと同様に扱い、テキストから画像生成タスクに使用可能

テキスト生成画像英語

おすすめAIモデル

Llama 3 Typhoon V1.5x 8b Instruct

タイ語専用に設計された80億パラメータの命令モデルで、GPT-3.5-turboに匹敵する性能を持ち、アプリケーションシナリオ、検索拡張生成、制限付き生成、推論タスクを最適化

大規模言語モデル

Transformers 複数言語対応

Cadet-TinyはSODAデータセットでトレーニングされた超小型対話モデルで、エッジデバイス推論向けに設計されており、体積はCosmo-3Bモデルの約2％です。

対話システム

Transformers 英語

Roberta Base Chinese Extractive Qa

RoBERTaアーキテクチャに基づく中国語抽出型QAモデルで、与えられたテキストから回答を抽出するタスクに適しています。

質問応答システム中国語

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

English 简体中文繁體中文にほんご

© 2025AIbase