# クロスモーダル生成

Show-o2は改良されたオリジナルの統一多モーダルモデルで、自己回帰モデリングとフローマッチング技術を利用し、テキスト、画像、ビデオモードの統一的な理解と生成をサポートします。

LLaDA - Vは拡散モデルに基づくビジュアル言語モデルで、他の拡散型マルチモーダル大規模言語モデルを上回る性能を持っています。

このモデルはQwen2.5-VL-7B-Instructを変換したGGUF形式のモデルで、マルチモーダルタスクをサポートし、画像とテキストのインタラクティブな処理に適しています。

Qwen2-VL-72Bは、画像とテキストのマルチモーダル理解と生成をサポートする強力な視覚言語モデルです。

Llama 3.2-VisionはMetaが開発したマルチモーダル大規模言語モデルで、画像とテキストの入力、テキスト出力をサポートし、視覚認識、画像推論、画像説明、画像質問応答タスクで優れた性能を発揮します。

テキストと画像の入出力を交互にサポートするマルチモーダルモデルで、カメレオン7Bモデルをベースにアライメント・オブ・エブリシングフレームワークで画像生成能力を強化

4Mはトークン化とマスキング技術によりマルチモーダル拡張を実現する'任意から任意へ'の基盤モデルトレーニングフレームワーク

4Mはトークン化とマスキング技術を複数のモダリティに拡張した'任意から任意'の基盤モデルトレーニングフレームワークです

潜在拡散モデルに基づく高解像度テキストから画像生成モデル、潜在空間操作による効率的な画像合成を実現