# マルチモーダル命令追従

Dimple 7B
Apache-2.0
Dimpleは自己回帰と拡散トレーニングのパラダイムを組み合わせた最初の離散拡散マルチモーダル大規模言語モデル(DMLLM)であり、LLaVA-NEXTと同じデータセットでトレーニング後、LLaVA-NEXT-7Bを3.9%上回りました。
画像生成テキスト Transformers 英語
D
rp-yu
422
3
Qwen2.5 VL 72B Instruct GGUF
その他
Qwen2.5-VL-72B-Instructは72Bパラメータ規模のマルチモーダル大規模モデルで、視覚-言語タスクをサポートし、画像に関連するテキスト内容を理解し生成できます。
テキスト生成画像 英語
Q
Mungert
2,798
5
Smolvlm2 500M Video Instruct Mlx 8bit Skip Vision
Apache-2.0
SmolVLM2-500M-Video-Instructを変換したMLX形式モデルで、ビデオテキストからテキストへのタスクをサポート
画像生成テキスト Transformers 英語
S
mlx-community
51
2
Llama 3.2 11B Vision Instruct Nf4
meta-llama/Llama-3.2-11B-Vision-Instructを基にした4ビット量子化バージョンで、画像理解とテキスト生成タスクをサポート
画像生成テキスト Transformers
L
SeanScripts
658
12
Llava Int4
CC
LLaVAはマルチモーダル大規模モデルで、視覚エンコーダーと大規模言語モデルを接続することで汎用視覚アシスタント機能を実現
テキスト生成画像 Transformers
L
emon-j
40
2
Llava V1.5 7b
LLaVAはオープンソースのマルチモーダルチャットボットで、LLaMA/Vicunaをファインチューニングし、画像とテキストのインタラクションをサポートします。
画像生成テキスト Transformers
L
liuhaotian
1.4M
448
Speechgpt 7B Cm
SpeechGPTは内在的なクロスモーダル対話能力を備えた大規模言語モデルで、マルチモーダルコンテンツの知覚と生成が可能であり、音声とテキストのインタラクションをサポートします。
テキスト生成オーディオ Transformers
S
fnlp
47
7
Instructblip Vicuna 7b 8bit
InstructBLIP-Vicuna-7B は Vicuna-7B をベースとした視覚-言語モデルで、画像からテキストへの変換タスクをサポートします。
画像生成テキスト Transformers
I
Mediocreatmybest
24
3
Llava 13b Delta V0
Apache-2.0
LLaVAはLLaMA/Vicunaをベースに、GPTで生成されたマルチモーダル命令追従データでファインチューニングされたオープンソースのチャットボットで、Transformerアーキテクチャに基づく自己回帰型言語モデルです。
テキスト生成画像 Transformers
L
liuhaotian
352
221
AIbase
未来を切り開く、あなたのAIソリューション知識ベース
© 2025AIbase