# マルチモーダル対話

Spatial-LLaVA-7BはLLaVAモデルを微調整したマルチモーダルモデルで、空間関係推論能力の向上に特化しており、マルチモーダル研究やチャットボット開発に適しています。

Qwen3-8Bモデルに基づくNEO Imatrix量子化バージョンで、32Kの長文脈と強化された推論能力をサポートします。

VL-Rethinker-72Bの4ビット量子化バージョンで、AppleデバイスのMLXフレームワークに適しており、視覚質問応答タスクをサポートします。

このモデルはgoogle/gemma-3-12b-itをINT4量子化したバージョンで、GPTQアルゴリズムによりパラメータを16ビットから4ビットに削減し、ディスク容量とGPUメモリ要件を大幅に削減しました。

VoRAは7Bパラメータの視覚-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特化しています。

VoRAは7Bパラメータの視覚言語モデルで、画像とテキスト入力を処理し、テキスト出力を生成できます。

これはQwen2.5-VL-7B-InstructモデルのGGUF量子化バージョンで、マルチモーダルタスクに適しており、画像とテキスト入力をサポートします。

Q-SiT Miniは軽量な画像品質評価と対話モデルで、画像品質分析とスコアリングに特化しています。

LLaVA-NeXT-Video-7B-hf は動画ベースのマルチモーダルモデルで、動画とテキスト入力を処理し、テキスト出力を生成できます。

Qwen2.5-VL-7B-Instruct-GPTQ-Int4はQwen2.5-VL-7B-Instructモデルを非公式にGPTQ-Int4量子化したバージョンで、画像からテキストへのマルチモーダルタスクをサポートします。

長く豊富なコンテキスト（LRC）モデリングを強化した動画マルチモーダル大規模言語モデル。細かいディテールの知覚と長時間の時間的構造の捕捉能力を向上させ、既存のMLLMを改善

InternLM-XComposer2.5-ChatはInternLM-XComposer2.5-7Bでトレーニングされた対話モデルで、マルチモーダル命令追従とオープンエンド対話能力が大幅に向上しています。

これはQVQ-72B-Preview-abliteratedモデルのGPTQ量子化8ビットバージョンで、画像テキストからテキストへの変換タスクをサポートします。

Apolloは1時間に及ぶ長編動画の理解に特化した一連の大型マルチモーダルモデルで、複雑な動画質問応答やマルチターン対話を得意としています。

Apolloは動画理解に特化した一連の大型マルチモーダルモデルで、長尺動画の内容理解、時系列推論、複雑な動画質問応答などのタスクに優れています。

タイフーン2-オーディオ版は、オーディオ、音声、テキスト入力を処理し、テキストと音声の両方を同時に生成できるエンドツーエンドの音声変換モデルアーキテクチャです。このモデルは特にタイ語に最適化されており、英語もサポートしています。

Mini-InternVL2-DA-RSはリモートセンシング画像分野に最適化されたマルチモーダルモデルで、Mini-InternVLアーキテクチャを基に、ドメイン適応フレームワークで微調整され、リモートセンシング画像理解タスクで優れた性能を発揮します。

VARCO-VISION-14Bは強力な英韓視覚言語モデルで、画像とテキスト入力をサポートし、テキスト出力を生成します。位置特定、参照、OCR機能を備えています。

ChatRexは優れた知覚能力を持つマルチモーダル大規模言語モデルで、質問に答える際に答えを具体的なオブジェクトに関連付けることができます。

GLM-Edge-V-5Bは50億パラメータのマルチモーダルモデルで、画像とテキスト入力をサポートし、画像理解とテキスト生成タスクを実行できます。

GLM-Edge-V-2BはPytorchフレームワークに基づく画像テキストからテキストへのモデルで、中国語処理をサポートしています。

Aria-sequential_mlpベースのBitsAndBytes NF4量子化バージョンで、画像テキストからテキストタスクに適しており、VRAM要件は約15.5GBです。

Aria-sequential_mlpベースのFP8動的量子化モデルで、画像テキストからテキストタスクに適しており、VRAM要件は約30GBです。

VideoChat2-HD-hfは、Mistral-7Bに基づくマルチモーダルビデオ理解モデルで、ビデオテキスト変換タスクに特化しています。

これはQwen2-VL-7B-Instruct設定に基づきランダム初期化された小型デバッグモデルで、視覚言語タスク用です

これはQwen2-Audio-7B-Instructの4ビット量子化バージョンで、アリババクラウドのオリジナルQwenモデルに基づいて開発された、オーディオ-テキストマルチモーダル大規模言語モデルです。

InternVideo2-Chat-8B-InternLM2.5は、動画-テキストマルチモーダルモデルで、InternVideo2動画エンコーダーと大規模言語モデル(LLM)を統合することで、動画理解と人間との対話能力を強化しています。

mPLUG-Owl3は、長い画像シーケンス理解の課題を解決するために設計された最先端のマルチモーダル大規模言語モデルで、単一画像、複数画像、および動画タスクの処理をサポートします。

AIバーチャルYouTuber板板モデル、NTNU VLSIサークル専用に設計されたバーチャルYouTuberアシスタントで、画像テキストからテキストへの変換能力を有します。

InternVideo2-Chat-8B-HDは、大規模言語モデルと動画BLIPを統合した動画理解モデルで、段階的学習スキームにより構築され、高精細動画入力を処理できます。

LLaVA-Saiga-8bはIlyaGusev/saiga_llama3_8bモデルを基に開発された視覚-言語モデル（VLM）で、主にロシア語タスクに適応していますが、英語処理能力も保持しています。

TinyLlama-1.1Bベースの軽量ビジュアルQAモデルで、BakLlavaコードベースでトレーニングされ、画像コンテンツ理解とQAタスクをサポートします。

llava-calm2-siglip は実験的な視覚言語モデルで、画像に関する質問に日本語と英語で回答できます。

google/paligemma-3b-mix-448を微調整したマルチモーダル対話モデルで、マルチターン対話シーンに最適化されています

MiniCPM-Llama3-V 2.5のint4量子化バージョンで、GPU VRAM使用量を大幅に削減（約9GB）

CogVLM2はMeta-Llama-3-8B-Instructを基に構築されたマルチモーダル対話モデルで、中英語をサポートし、8Kのコンテキスト長と1344*1344解像度の画像処理能力を備えています。

MiniCPM-Llama3-V 2.5のint4量子化バージョンで、GPU VRAM使用量を約9GBに大幅に削減し、視覚質問応答タスクに適しています。

360VLはLLama3言語モデルを基に開発されたオープンソースの大規模マルチモーダルモデルで、強力な画像理解能力と二言語テキストサポートを備えています。

CogVLM2はMeta-Llama-3-8B-Instructを基に構築されたマルチモーダル大規模モデルで、中英二言語をサポートし、強力な画像理解と対話能力を備えています。

CogVLM2はMeta-Llama-3-8B-Instructを基に構築されたマルチモーダル大規模モデルで、画像理解と対話タスクをサポートし、8Kのコンテキスト長と1344x1344の画像解像度処理能力を備えています。