# マルチモーダル大規模言語モデル

SAILは視覚と言語のために設計された単一Transformerモデルで、統一されたマルチモーダル大規模言語モデル（MLLM）として、単一アーキテクチャ内で元のピクセルエンコーディングと言語デコード機能をシームレスに統合しています。

InternVL3は先進的なマルチモーダル大規模言語モデルシリーズで、強力なマルチモーダル知覚と推論能力を備え、画像、動画、テキスト入力をサポートします。

InternVL3-2BはOpenGVLabが開発した先進的なマルチモーダル大規模言語モデル（MLLM）で、優れたマルチモーダル知覚と推論能力を備え、ツール使用、GUIエージェント、産業画像分析、3D視覚知覚などをサポートします。

InternVL3-1BはInternVL3シリーズの10億パラメータ規模のマルチモーダル大規模言語モデルで、InternViTビジョンエンコーダーとQwen2.5言語モデルを統合し、優れたマルチモーダル知覚と推論能力を備えています。

Ovis2-1Bはマルチモーダル大規模言語モデル（MLLM）Ovisシリーズの最新メンバーで、視覚とテキストの埋め込み構造のアライメントに焦点を当て、小型モデルながら高性能、強化された推論能力、動画と複数画像処理、多言語OCR強化などの特徴を備えています。

Video-R1-7BはQwen2.5-VL-7B-Instructを最適化したマルチモーダル大規模言語モデルで、ビデオ推論タスクに特化しており、ビデオコンテンツを理解し関連する質問に答えることができます。

Finedeficsはオープンソースのマルチモーダル大規模言語モデル（MLLM）で、オブジェクトの情報的属性記述を組み込むことで、細粒度視覚認識（FGVR）能力を強化しています。

MiniMax-VL-01は強力なマルチモーダル大規模言語モデルで、'ViT-MLP-LLM'フレームワークを採用し、動的解像度処理能力を持ち、多くの視覚言語タスクで優れた性能を発揮します。

VideoRefer-7Bはビデオ大規模言語モデルに基づくマルチモーダルモデルで、時空間物体理解タスクに特化しています。

p-MoDは漸進的比例減衰法に基づいて構築された混合深度マルチモーダル大規模言語モデルで、画像テキスト生成タスクをサポートします。

LLaVA-UHD v2は、階層的ウィンドウトランスフォーマーを中心に構築された、高度なマルチモーダル大規模言語モデルです。高解像度特徴ピラミッドを通じて、さまざまな視覚粒度を捉えることができます。

AuroraCapは画像と動画の字幕生成に特化したマルチモーダル大規模言語モデルで、効率的で詳細な動画字幕生成に焦点を当てています。

Eagleは、視覚を中心とした高解像度マルチモーダル大規模言語モデルのシリーズで、1K以上の入力解像度をサポートし、光学文字認識やドキュメント理解などのタスクで優れた性能を発揮します。

M3Dはマルチモーダル大規模言語モデルに基づく3D医療画像解析技術で、M3D-Dataデータセット、M3D-LaMedモデル、M3D-Bench評価基準を含みます。