# マルチモーダル視覚言語モデル

InternVL3-8B-bf16 はMLXフォーマット変換に基づく視覚言語モデルで、多言語の画像テキストからテキストへのタスクをサポートします。

これはMetaのLlama-4-Scout-17B-16Eモデルから変換されたMLX形式のモデルで、多言語と視覚言語タスクをサポートします。

Qwen2.5-VL-3B-Instructを基にした視覚言語モデルで、VLM-R1強化学習によって強化され、指示表現理解タスクに特化しています。

Eagle2は高性能な視覚言語モデルシリーズで、データ戦略とトレーニング手法の最適化を通じてモデル性能を向上させることに焦点を当てています。Eagle2-9Bはこのシリーズの大型モデルで、性能と推論速度の間で良好なバランスを実現しています。

Eagle2-9BはNVIDIAが発表した最新の視覚言語モデル(VLM)で、性能と推論速度の完璧なバランスを実現しています。Qwen2.5-7B-Instruct言語モデルとSiglip+ConvNext視覚モデルを基盤として構築され、多言語・マルチモーダルタスクをサポートします。

BioTrove-CLIPは、CLIPスタイルの生物多様性視覚言語基盤モデルで、4000万枚の画像と3万3000種の植物・動物種を含むデータセットでトレーニングされています。

Qwen2-VL-2B-Instructをファインチューニングしたジャウィ文字OCRモデル、歴史的マレー語テキストの識別に特化

ViTamin-XL-256pxはViTaminアーキテクチャに基づく視覚言語モデルで、効率的な視覚特徴抽出とマルチモーダルタスク向けに設計されており、高解像度画像処理をサポートします。