# ビジュアル言語モデル

V-JEPA 2はMetaのFAIRチームが開発した最先端のビデオ理解モデルで、VJEPAの事前学習目標を拡張し、業界をリードするビデオ理解能力を備えています。

VLM2Vec-V2は、大規模マルチモーダル埋め込みタスクに使用されるモデルで、ビジュアル言語モデルを学習することで、ビデオ、画像、ビジュアルドキュメントなどのマルチモーダルデータに対してより強力な埋め込み能力を提供します。

UI-TARS-1.5-7B-6bitは、MLX形式に変換されたビジュアル言語モデルで、画像理解とテキスト生成タスクをサポートします。

ビジュアル言語モデルで、小切手画像から構造化された金融情報を抽出し、小切手番号、受取人、金額、発行日などの重要な情報を含むJSON形式の出力を生成することに特化しています。

LLaVA-Medは生物医学アプリケーション向けに最適化されたオープンソースの大規模ビジュアル言語モデルで、LLaVAフレームワークを基盤とし、カリキュラム学習で強化され、オープンエンド生物医学QAタスク向けにファインチューニングされています。

xGen-MM-Vid (BLIP-3-Video) は、ビデオ内容を理解するために特別に設計された、明示的な時間エンコーダーを備えた高効率でコンパクトなビジュアル言語モデルです。

PixtralはMistralアーキテクチャに基づくマルチモーダルモデルで、画像とテキストの入力を処理し、テキスト出力を生成することができます。

レイヴン推理行列問題を解くために特別に設計されたマルチモーダルモデルで、ビジュアル - 言語基礎モデルに基づいて構築され、検証セットの正解率は91%に達します。

Pix2Structは、ビジュアル質問応答タスクで微調整された大規模な画像からテキストへのモデルで、科学グラフのビジュアル質問応答に特化しています。