# マルチモーダル命令理解

PixelReasonerはQwen2.5-VL-7B-Instructを基にした視覚言語モデルで、好奇心駆動型強化学習で訓練され、画像テキストからテキストへのタスクに特化しています。

Qwen2.5-VL-7B-Instruct は Qwen2.5 アーキテクチャに基づくマルチモーダルモデルで、画像とテキストの共同処理をサポートし、視覚言語タスクに適しています。

Llama-3.1-8B-Instructベースの多言語音声テキスト変換モデル、40以上の言語処理をサポート

Llama-4をベースに構築された17Bパラメータの多言語命令モデル、FP8量子化を採用しリソース要件を大幅に削減

Qwen2.5-VL-32B-Instructは32Bパラメータ規模のマルチモーダル視覚言語モデルで、画像とテキストの共同理解と生成タスクをサポートします。

Qwen2.5-VL-32B-Instructは32Bパラメータ規模のマルチモーダル視覚言語モデルで、画像とテキストの共同理解と生成タスクをサポートします。

Qwen2.5-VL-32B-Instructは32Bパラメータ規模のマルチモーダル大規模言語モデルで、視覚と言語タスクをサポートし、複雑なマルチモーダルインタラクションシナリオに適しています。

Qwen2-VL-2B-Instruct はマルチモーダル視覚言語モデルで、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。

Qwen2-VL-7B-InstructはQwen2アーキテクチャに基づく視覚言語モデルで、画像とテキストのマルチモーダル入力をサポートし、様々な視覚言語タスクに適しています。

Qwen2-VL-7Bモデルを基にした微調整バージョンで、UnslothとHuggingfaceのTRLライブラリを使用して訓練され、速度が2倍向上しました。

Unslothで最適化されたLlama 3.2-11B視覚命令モデル、4ビット量子化バージョン、トレーニング速度2倍向上

Phi-4-multimodal-instructは軽量でオープンソースのマルチモーダル基盤モデルで、Phi-3.5と4.0モデルの言語、視覚、音声研究とデータセットを統合しています。テキスト、画像、音声入力をサポートし、テキスト出力を生成し、128Kトークンのコンテキスト長を備えています。

Phi-4マルチモーダルモデルのONNXバージョンで、int4精度に量子化され、ONNX Runtimeによる推論加速をサポートし、テキスト、画像、音声入力をサポートします。

Qwen2.5-VL-7B-Instructモデルをファインチューニングしたマルチモーダルモデルで、Unsloth高速化フレームワークとTRLライブラリを使用し、速度が2倍向上

Llama-3.2-11B-Vision-Instructは多言語対応の視覚 - 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使用できます。

Pixtral-Large-Instruct-2411はMistralAI技術を基にしたマルチモーダル命令微調整モデルで、画像とテキスト入力をサポートし、多言語処理能力を備えています。

Qwen2-VL-7B-Instructは7Bパラメータ規模のマルチモーダルモデルで、画像とテキストのインタラクティブタスクをサポートします。

これはQwen2-VLアーキテクチャに基づく7Bパラメータ規模の視覚言語モデルで、画像理解と命令インタラクションをサポートします。

繁体中国語命令入力をサポートする初の視覚言語モデル（12億パラメータ）、Transformersライブラリと互換性があり、迅速なロードと簡単な微調整が可能

このモデルは、LIBERO-10データセットでLoRAメソッドを使用してOpenVLA 7Bモデルを微調整して得られた視覚言語動作モデルで、ロボット技術分野に適しています。

Octo小型版はロボット制御のための拡散戦略モデルで、Transformerアーキテクチャを採用し、視覚入力と言語命令に基づいてロボットの動作を予測できます。