# マルチモーダル画像理解

Mistral-Communityが提供するマルチモーダル大規模モデルで、画像とテキスト処理をサポートし、128kのコンテキスト長と可変画像サイズ処理能力を備えています。

Googleが提供するGemma 3 27B ITモデルは、様々なテキスト生成や画像理解タスクに適しており、128kトークンのコンテキスト長とマルチモーダル画像処理をサポートします。

Google Gemma 3 12Bモデルを基に変換された8ビット量子化バージョンで、画像テキストからテキストへのタスクに適しています。

Qwen2.5-VL-32B-Instruct は、画像とテキストの共同理解と生成タスクをサポートするマルチモーダル視覚言語モデルです。

Qwen2.5-VL-7B-Instruct はマルチモーダルな視覚言語モデルで、画像テキスト生成タスクをサポートします。

Qwen2.5-VL-72B-Instruct はマルチモーダルな視覚言語モデルで、画像とテキストのインタラクティブな生成タスクをサポートします。

Gemma-3はGoogleが提供する軽量マルチモーダルオープンモデルで、テキストと画像の入力に対応し、テキスト出力を生成します。Geminiモデルの研究と技術に基づいて構築されており、128Kの大規模コンテキストウィンドウを備え、140以上の言語をサポートしています。

Gemma 3はGoogleが開発した軽量オープンソース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、テキスト出力を生成します。

Asagi-14Bは大規模な日本語視覚言語モデル（VLM）で、幅広い日本語データセットでトレーニングされ、多様なデータソースを統合しています。

Qwen2-VL-2B-Instruct はマルチモーダルな視覚言語モデルで、画像テキスト生成タスクをサポートし、Qwen2 アーキテクチャに基づいており、パラメータ規模は2Bです。

これはLlama3アーキテクチャに基づく韓国語マルチモーダルモデルで、画像理解と韓国語対話をサポートします。

Turkish-LLaVA-v0.1-Q4_K_M-GGUF はトルコ語のビジュアル言語モデルで、画像テキストからテキストへの処理タスクをサポートしています。