# ゼロショット学習

Transformersアーキテクチャに基づくゼロショット分類モデルで、微調整なしでテキストを分類できます

これは自動生成されたtransformersモデルカードで、具体的な情報は後で補充されます。

Nalgotic DreamsはStable Diffusion XLをベースにしたテキストから画像を生成するモデルで、高品質なアニメスタイルの画像、特に明るく精細なイラストスタイルの女の子のイメージ生成に特化しています。

応龍は時系列予測に使用される基礎モデルで、780億の時点で事前学習され、時系列予測タスクに強力なサポートを提供します。

Magma-8BはGGUF形式の画像テキストからテキストへの変換モデルで、マルチモーダルタスク処理に適しています。

GPT-2はOpenAIによって開発されたオープンソースの言語モデルで、Transformerアーキテクチャに基づいており、一貫性のあるテキストを生成できます。

Transformers は Hugging Face によって開発されたオープンソースライブラリで、自然言語処理タスクのためのさまざまな事前学習モデルを提供します。

xlm-roberta-largeモデルをファインチューニングした多言語テキスト分類モデルで、英語とデンマーク語をサポートし、政治アジェンダとメディアコンテンツの分類タスクに特化しています。

OpenVisionは完全にオープンでコストパフォーマンスに優れた先進的なビジョンエンコーダーファミリーで、マルチモーダル学習に焦点を当てています。

OpenVisionは、完全にオープンでコストパフォーマンスに優れた先進的な視覚エンコーダファミリーで、マルチモーダル学習に焦点を当てています。

OpenVisionは完全オープンで高コストパフォーマンスな先進的な視覚エンコーダーファミリーで、マルチモーダル学習に焦点を当てています。

OpenVisionは完全にオープンでコストパフォーマンスに優れた先進的な視覚エンコーダーファミリーで、マルチモーダル学習に焦点を当てています。

このモデルはtransformersライブラリに基づくモデルで、具体的な用途と機能はさらなる情報が必要です。

Falcon-H1はTIIが開発した効率的なハイブリッドアーキテクチャ言語モデルで、TransformerとMambaアーキテクチャを組み合わせ、多言語タスクをサポート

OpenBioNERは、オープンドメインの生物医学命名エンティティ認識（NER）に特化した軽量BERTモデルで、対象エンティティタイプの自然言語記述のみで未見のエンティティタイプを識別でき、再トレーニングする必要がありません。

XGLM-564M は多言語自己回帰言語モデルで、5.64億のパラメータを含み、30言語のバランスの取れたコーパスに基づいて訓練され、合計5000億のサブワードで構成されています。

Zero-Mistral-24BはMistral-Small-3.1-24B-Instruct-2503を改良した純粋なテキストモデルで、主にロシア語と英語に適応し、元の視覚機能を削除し、テキスト生成タスクに焦点を当てています。

これはHugging Face Hubでホストされているtransformersモデルで、具体的な機能や用途についてはさらに情報を追加する必要があります。

GLM-4-32B-0414はTHUDMによって開発された大規模言語モデルで、320億のパラメータを持ち、さまざまなテキスト生成タスクに適しています。

Vision Transformerアーキテクチャに基づく視覚モデルで、SigLIP（Sigmoid Loss for Language-Image Pretraining）訓練方法を採用し、画像理解タスクに適しています。

xlm-roberta-largeをファインチューニングした多言語テキスト分類モデルで、比較アジェンダプロジェクトの副次テーマコード分類に使用

PUREは、低レベル視覚タスクを解決するためにマルチモーダル大規模言語モデル（MLLM）をバックボーンネットワークとして採用した最初のフレームワークです。

これはFacebook SAMモデル（sam-vit-base）の改良版で、CVATにおける画像セグメンテーションタスク向けに最適化されています。

Quantum_STT は、大規模な弱教師あり学習に基づく先進的な自動音声認識（ASR）および音声翻訳モデルで、複数の言語とタスクをサポートしています。

Kok-Baseは多言語モデルで、英語、アラビア語、チェコ語をサポートし、さまざまな自然言語処理タスクに適しています。

HiMTokはInternVL2_5-8B大規模マルチモーダルモデルをファインチューニングした階層型マスクトークン学習フレームワークで、画像セグメンテーションタスクに特化しています。

MergeKitを使用して複数の高品質モデルを融合した8Bパラメータの大規模言語モデルで、推論、対話、創造的生成能力を最適化

Granite Vision 3.2 2B は IBM が開発した視覚言語モデルで、画像テキストからテキストへの変換タスクに特化しています。

YOLOEは効率的で統一されたオープンな物体検出とセグメンテーションモデルで、テキストや視覚入力、プロンプト不要パラダイムなど様々なプロンプトメカニズムをサポートし、リアルタイムの万能視覚認識を実現します。

Distill-Any-Depthは知識蒸留アルゴリズムで訓練されたSOTA単眼深度推定モデルで、効率的かつ正確に深度推定が可能です。

安定拡散XLをベースにしたアニメスタイルのテキストから画像生成モデル、高品質なアニメキャラクター作成に特化

バイトダンス研究チームが発表した72Bパラメータ規模のマルチモーダル基礎モデルで、画像テキストからテキストへの変換タスクに特化

olmOCR-7B-0225-preview は AllenAI によって開発されたOCR技術に基づく画像テキストからテキストへの変換モデルで、画像からテキスト内容を抽出・認識することを目的としています。

LLaVA-NeXT-Video-7B-hf は動画ベースのマルチモーダルモデルで、動画とテキスト入力を処理し、テキスト出力を生成できます。

Whisper large-v3-turboはOpenAIが提案した自動音声認識および音声翻訳モデルで、大規模な弱教師あり学習に基づき、複数言語をサポートしています。

Qwen2.5アーキテクチャに基づく7Bパラメータ規模の言語モデルで、TIESメソッドにより複数の事前学習モデルを融合

SigLIP 2に基づく視覚Transformerモデルで、画像特徴抽出のために設計されており、多言語視覚-言語タスクに適しています。

SigLIP 2ベースの視覚Transformerモデル、画像特徴抽出のために設計され、webliデータセットで事前学習済み

SigLIP 2アーキテクチャに基づく視覚Transformerモデル、WebLIデータセットで事前学習され、アテンションプーリングヘッドを削除しグローバル平均プーリングを採用

SigLIP 2に基づく視覚Transformerモデルで、画像特徴抽出のために設計され、webliデータセットでトレーニングされました