# マルチモーダル視覚理解

google/gemma-3-12b-itをベースとしたINT8量子化バージョンで、視覚テキスト入力とテキスト出力をサポートし、高効率推論デプロイに適しています。

Qwen2.5-VLはQwenファミリーの最新の視覚言語モデルで、強力な視覚理解とマルチモーダル処理能力を備えています。

知覚エンコーダは視覚言語トレーニングによって実現された最先端の画像・動画理解エンコーダで、強力な汎化能力を備えています。

知覚エンコーダ（PE）は、視覚と言語の学習を通じて訓練された先進的な画像・動画理解エンコーダで、様々な視覚タスクにおいて最先端の性能を発揮します。

Qwen2.5-VL-32B-InstructはQwenファミリーの最新の視覚言語モデルで、強力な視覚理解とインテリジェントエージェント能力を備え、マルチモーダルタスク処理をサポートします。

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

Qwen2.5-VL-32B-Instruct は Qwen ファミリーの最新の視覚言語モデルで、強力なマルチモーダル理解と生成能力を備え、画像、動画、テキストのインタラクションをサポートします。

soob3123/amoral-gemma3-12Bをベースにした視覚強化バージョンで、Gemma3-12B大規模言語モデルと視覚エンコーダーを統合し、マルチモーダルタスクをサポート

Qwen2.5-VLはQwenファミリーの最新の視覚言語モデルで、視覚理解とエージェント能力の強化に焦点を当てています。

これはmlabonne/gemma-3-4b-it-abliteratedモデルを基にした量子化バージョンで、llama.cppを使用してimatrix量子化を行い、画像テキストからテキストへのタスクに適しています。

これはMinthy/ToriiGate-v0.4-7Bモデルに対して重み/重要度行列量子化を施したバージョンで、様々なニーズに対応する複数の量子化オプションを提供します。

Qwen2.5-VLはQwenファミリーの最新の視覚言語モデルで、強力な視覚理解とエージェント能力を備え、マルチフォーマットの視覚位置特定と構造化出力生成をサポートします。

Qwen2.5-VLは通義千問チームが開発したマルチモーダル大規模言語モデルで、強力な視覚理解とインテリジェントエージェント能力を備え、画像、動画、テキストなど様々な入力形式をサポートします。

Qwen2.5-VLは通義千問が開発したマルチモーダル視覚言語モデルで、強力な画像理解とテキスト生成能力を備えています。

MiniCPM-o 2.6はマルチモーダルモデルで、視覚と言語タスクをサポートし、llama.cpp向けに設計されています。

Razorback 12B v0.2はPixtral 12BとUnslopNemo v3の利点を組み合わせたマルチモーダルモデルで、視覚理解と言語処理能力を備えています。

Qwen2-VL-72B-InstructのGGUF量子化バージョンで、マルチモーダルの画像テキストからテキストへの変換をサポートし、LlamaEdgeで実行できます。

Meta Llama 3.2シリーズ90Bパラメータのマルチモーダル大規模言語モデル、視覚的指示理解をサポート、Unsloth動的4ビット量子化で最適化

MiniCPM-V 2.6は単一画像、複数画像、動画理解をサポートするGPT-4Vレベルのマルチモーダル大規模言語モデルで、RK3588 NPU向けに最適化されています

カンブリア紀は、視覚を中核に設計されたオープンソースのマルチモーダルLLM（大規模言語モデル）です。

Phi-3-Vision-128K-Instructは、軽量で最先端のオープンマルチモーダルモデルで、128Kトークンの文脈長をサポートし、テキストと視覚領域の高品質な推論に焦点を当てています。

Phi-3-mini-3.8B大規模言語モデルとLLaVA v1.5を組み合わせた視覚言語モデルで、高度な視覚言語理解能力を提供します。

OWLv2は視覚言語事前学習に基づくモデルで、物体検出と位置特定タスクに特化しています。