# ゼロショット汎化

SAM-HQはSegment Anything Model（SAM）の強化版で、より高品質な物体マスクを生成でき、特に複雑な構造の物体処理に適しています。

SAM-HQはSegment Anything Model（SAM）の強化版で、点やボックスなどの入力プロンプトからより高品質なオブジェクトマスクを生成できます。

TextFluxはOCR不要の拡散トランスフォーマーに基づく高忠実度多言語シーンテキスト合成モデルで、FLUX.1-Fill-devをベースモデルとして使用し、シーンテキスト合成タスクに特化しています。

VisualClozeは視覚的コンテキスト学習に基づく汎用画像生成フレームワークで、複数のドメイン内タスクや未知タスクへの汎化をサポートし、単一ステップの生成で目標画像と中間結果を同時に出力します。

BiQwen2はQwen2-VL-2B-InstructとColBERT戦略に基づく視覚検索モデルで、効率的な視覚文書検索に特化しています。

Poseless-3Bは、視覚言語モデル（VLM）ベースのロボットハンド制御フレームワークで、明示的な姿勢推定なしに2D画像を関節角度に直接マッピングできます。

PoseLessは、明示的な姿勢推定を必要とせず、投影表現を使用して2D画像を直接関節角度にマッピングする革新的なロボットハンド制御フレームワークです。

SAM-HQはSegment Anything Modelの強化版で、点やボックスなどの入力プロンプトからより高品質な物体マスクを生成

Qwen2-VL-2B-InstructとColBERT戦略に基づく視覚検索モデルで、テキストと画像のマルチベクトル表現を生成可能

Qwen2.5-VL-3B-InstructとColBERT戦略に基づく視覚検索モデルで、テキストと画像のマルチベクトル表現を生成し、効率的な文書検索に使用できます。

SmolVLM-Instruct-250MをベースにColBERT戦略を採用した視覚検索器で、視覚特徴から効率的にドキュメントをインデックス化可能

SmolVLM-InstructとColBERT戦略に基づく視覚検索モデルで、視覚的特徴を通じて文書を効率的にインデックス化可能

Lotusは拡散モデルベースの視覚基盤モデルで、高品質な密集予測タスクに特化しています。

Lotusは拡散モデルに基づく視覚基盤モデルで、高品質な密集予測タスクに特化しています。

Qwen2-VL-2B-InstructとColBERT戦略に基づく視覚検索モデルで、視覚的特徴を通じて文書を効率的にインデックス化可能

ColPaliはPaliGemma-3BとColBERT戦略に基づく視覚言語モデルで、視覚的特徴から効率的に文書をインデックス化します。

RobustSAMは劣化画像においてロバストなセグメンテーションを実現するモデルで、SAMを改良し、低品質画像でのセグメンテーション性能を向上させています。

FAIRが開発した画像とビデオ向けのプロンプト可能な視覚セグメンテーションの基礎モデル

OpenVLA 7BはOpen X-Embodimentデータセットでトレーニングされたオープンソースの視覚-言語-動作モデルで、言語命令とカメラ画像に基づいてロボットの動作を生成できます。

OpenVLA v0.1 7Bはオープンソースの視覚-言語-動作モデルで、Open X-Embodimentデータセットでトレーニングされ、さまざまなロボット制御をサポートします。

AISAK-DetectはAISAK-Visualシステムの中核となる目標検出コンポーネントで、畳み込みバックボーンTransformerアーキテクチャを採用し、画像内の物体を効率的かつ正確に識別します。

WhisperはOpenAIが提案した先進的な自動音声認識(ASR)および音声翻訳モデルで、500万時間以上の注釈付きデータで訓練されており、強力なデータセット間およびドメイン間の汎化能力を持っています。

Llama-2-7bをファインチューニングしたABSAモデルで、テキスト内のアスペクトを識別し感情を分析するのに優れています

KRISSBERTは知識強化型自己教師あり学習に基づく生物医学エンティティリンキングモデルで、アノテーションのないテキストとドメイン知識を活用してコンテキストエンコーダーを訓練し、エンティティ名の多様なバリエーションと曖昧性の問題を効果的に解決します。