# ゼロショット推論

Mistral Smallモデルを基にした視覚エンコーダーで、画像テキスト生成タスクをサポートし、llama.cppフレームワークに適応

MedGemma-4B-ITは医療分野に特化した画像テキスト生成モデルで、Googleによって開発されました。

T0++はT5アーキテクチャに基づく自然言語処理モデルで、マルチタスクプロンプトトレーニングによりゼロショットタスク汎化能力を実現し、多くのNLPタスクでGPT-3を上回りながらよりコンパクトです。

InternVL3-8B-bf16 はMLXフォーマット変換に基づく視覚言語モデルで、多言語の画像テキストからテキストへのタスクをサポートします。

Googleが提供するGemma 3 27B ITモデルは、様々なテキスト生成や画像理解タスクに適しており、128kトークンのコンテキスト長とマルチモーダル画像処理をサポートします。

VL-Rethinker-7B-8bit は Qwen2.5-VL-7B-Instruct をベースとしたマルチモーダルモデルで、視覚質問応答タスクをサポートします。

このモデルはQwen2.5-VL-7B-Instructを変換したマルチモーダル視覚言語モデルで、視覚質問応答タスクをサポートします。

このモデルはtransformersライブラリに基づくモデルで、具体的な機能と用途はさらなる情報確認が必要です。

VoRAは7Bパラメータの視覚-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。

VoRAは7Bパラメータの視覚言語モデルで、画像とテキスト入力を処理し、テキスト出力を生成できます。

このモデルはGemma-3-27b-toolsを変換したGGUF形式バージョンで、ローカル推論タスクに適しています。

Qwen2.5-VL-32B-Instruct は、画像とテキストの共同理解と生成タスクをサポートするマルチモーダル視覚言語モデルです。

Transformersライブラリに基づく事前学習済みモデル、自然言語処理タスクに適応

Qwen2.5-VL-72B-Instruct はマルチモーダルな視覚言語モデルで、画像とテキストのインタラクティブな生成タスクをサポートします。

ARPGは革新的な自己回帰画像生成フレームワークで、GPT風の因果的アーキテクチャによりBERT風のマスクモデリングを実現します。

Distill-Any-Depthは新しいSOTA単眼深度推定モデルで、知識蒸留アルゴリズムを用いて訓練されています。

Llama 3.1アーキテクチャに基づく8Bパラメータ言語モデルで、mergekitを使用して複数のモデルを統合し、テキスト生成能力を備えています

Llama 3.1アーキテクチャに基づく8Bパラメータモデルで、mergekitを使用して複数のSmarteazシリーズモデルを統合し、テキスト生成タスクに特化

これはSLERP手法を用いて統合された140億パラメータ規模の大規模言語モデルで、li-14b-v0.4とmiscii-14b-0218の2つの基本モデルを統合して作成されました。

Qwen 2.5 14B Instructをファインチューニングした引用意図分類モデルで、科学出版物における引用意図分類に特化しています。

Deepseek-R1の知識蒸留に基づく推論モデルで、連鎖思考(CoT)推論能力をサポート

LLaVA-Llama3はLlama-3をベースとしたマルチモーダルモデルで、画像とテキストの共同処理をサポートします。

ModernBERT-largeをベースにしたマルチタスクファインチューニングモデルで、自然言語推論(NLI)タスクに特化しており、ゼロショット分類や推論タスクで優れた性能を発揮します。

このモデルはbigscience/mt0-xxl-mtからllama.cppを使用してGGUF形式に変換された多言語テキスト生成モデルで、さまざまな言語タスクをサポートしています。

イーグル2は高性能な視覚言語モデルファミリーで、データ戦略とトレーニング手法の透明性に重点を置き、競争力のある視覚言語モデルのオープンソースコミュニティ開発を推進することを目的としています。

LLaVA-SpaceSGGはLLaVA-v1.5-13bをベースとした視覚質問応答モデルで、シーングラフ生成タスクに特化しており、画像内容を理解し構造化されたシーン記述を生成できます。

Moxin 7Bは強力なオープンソースの大規模言語モデルで、基礎モデルやチャットモデルなどの複数のタイプを提供し、複数の一般的なデータセットで良好な性能を示しています。

AiMはPyTorchベースの無条件画像生成モデルで、PytorchModelHubMixinを介してHugging Face Hubに統合されています。

Microsoft Florence-2-largeを基にした視覚言語モデルで、画像理解とテキスト生成タスクに優れています

MiniCPM-Llama3-V-2_5はLlama3アーキテクチャに基づくマルチモーダル視覚質問応答モデルで、中英二言語のインタラクションをサポートします。

Depth Anything V2をHypersim合成データセットで屋内メトリック深度推定用にファインチューニングしたバージョン、transformersライブラリ互換。

Depth Anything V2モデルを基に、屋内計量深度推定タスク向けにHypersim合成データセットでファインチューニングしたバージョン

Depth Anything V2を基に、屋内計量深度推定タスク向けにファインチューニングされたモデル。合成データセットHypersimで訓練され、transformersライブラリと互換性があります。

Depth Anything V2をベースにしたファインチューニング版で、屋外シーンのメトリック深度推定のために設計され、合成データセットVirtual KITTIで訓練されています。

PaliGemma 224x224バージョンをファインチューニングした画像からテキスト生成モデルで、詳細な芸術画像の説明生成に特化

LatteはTransformerベースの潜在拡散モデルで、テキストから動画生成タスクに特化しており、複数のデータセットの事前学習済み重みをサポートしています。

Flan-T5-xlを微調整したターゲット感情分析モデルで、英語テキストの感情傾向判断（ポジティブ/ネガティブ/ニュートラル）をサポート

Chronosは言語モデルアーキテクチャに基づく事前学習済み時系列予測モデルファミリーで、量子化とスケーリングにより時系列をトークン系列に変換して学習します。

XGen-MMはSalesforce AI Researchが開発した最新のマルチモーダル大規模モデルシリーズで、BLIPの成功設計を基に、基礎的な強化によりより強力で優れたモデルアーキテクチャを実現しました。

Llava-v1.6-mistral は視覚言語モデル（Vision-Language Model）に基づく医療視覚質問応答システムで、医療画像に関連する質問を理解し回答することができます。