# マルチモーダルテキスト生成

Vintern-1B-v3_5は10億パラメータの視覚言語モデルで、画像テキスト生成タスクをサポートします。

これはMistral-Small-3.1-24B-Instruct-2503をベースにした視覚強化バージョンで、画像テキスト生成タスクをサポートしています。

OpenVINOで最適化されたGemma 3 4Bパラメータモデル、テキストからテキスト及び視覚テキスト推論をサポート

GemmaはGoogleが提供する軽量で先進的なオープンモデルシリーズで、Geminiと同じ技術に基づいて構築されており、マルチモーダル入力とテキスト生成をサポートします。

Meta Llamaの基礎モデルに基づいて構築された画像テキストからテキストへの変換モデルで、gguf-connectorとllama-cpp-pythonを通じたインタラクションをサポートします。

Gemma 3はGoogleが提供する軽量オープンソースモデルシリーズで、Gemini技術を基盤としており、マルチモーダル入力とテキスト出力をサポートします。

GemmaはGoogleが提供する軽量で先進的なオープンモデルファミリーで、Geminiモデルと同じ研究技術に基づいています。1Bバージョンは事前学習済みベースモデルで、量子化認識トレーニング（QAT）を採用したGGUFフォーマットです。

Gemma-3-4b-it-GGUFはGoogleのGemma-3-4b-itモデルを量子化したバージョンで、LlamaEdge上で動作するようになっており、画像テキストからテキストへの変換タスクに適しています。

Qwen2-VL-7Bモデルを基にしたファインチューニング版で、UnslothとHuggingface TRLライブラリを使用してトレーニングされ、推論速度が2倍向上しました。

Llama 2 は Meta が開発した一連のオープンソース大規模言語モデルで、様々な自然言語処理タスクをサポートしています。

ko-deplotはGoogleのPix2Structアーキテクチャに基づく韓国語視覚的質問応答モデルで、Deplotモデルを微調整してトレーニングされ、韓国語と英語のチャート画像質問応答タスクをサポートします。