# マルチモーダル学習

OpenVisionは、完全にオープンでコスト効率の高い高度なビジョンエンコーダのファミリーで、マルチモーダル学習に使用されます。

OpenVisionは完全にオープンソースでコスト効率の良い先進的な視覚エンコーダーファミリーで、マルチモーダル学習向けに設計されています。

OpenVisionは、マルチモーダル学習のための完全オープンソースでコスト効率の高い高度な視覚エンコーダーファミリーです。

OpenVisionは完全にオープンでコストパフォーマンスに優れた先進的なビジョンエンコーダーファミリーで、マルチモーダル学習に焦点を当てています。

OpenVisionは、完全にオープンでコストパフォーマンスに優れた先進的な視覚エンコーダファミリーで、マルチモーダル学習に焦点を当てています。

PyTorchベースの動作認識モデルで、ロボット技術分野に適しています

拡散戦略に基づくロボット制御モデルで、PyTorchModelHubMixinを統合して公開

InstructCLIPは対照学習を通じてデータを自動最適化するモデルで、命令誘導の画像編集効果を向上させることを目的としています。

open_clipライブラリを基にしたゼロショット画像分類モデルで、医療分野の画像分析に特化

GenMedClipはopen_clipライブラリを基にしたゼロショット画像分類モデルで、医療画像分析に特化しています。

MoE-LLaVAはエキスパート混合アーキテクチャに基づく大規模視覚言語モデルで、スパース活性化パラメータにより効率的なマルチモーダル学習を実現

オープンCLIPライブラリを基にしたゼロショット画像分類モデルで、様々な視覚タスクをサポート

マイクロソフトGITフレームワークを基にしたマルチモーダルモデルで、学生の宿題画像からテキストを抽出し教師のフィードバックを生成することに特化

microsoft/git-base-textvqaを基にtextvqaデータセットでファインチューニングした視覚質問応答モデルで、テキストを含む画像の質問応答タスクに優れています

naver-clova-ix/donut-baseを微調整したモデル、具体的な用途は明記されていません