# 合成データトレーニング

Transformerアーキテクチャに基づく画像テキストからテキストを生成するモデルで、コンピュータ/GUI関連のシーン向けに設計され、インテリジェントエージェント機能を備えています。

アニメスタイルの画像記述に特化した視覚言語モデル、SmolVLM-500M-Baseをファインチューニング

roberta-base-zeroshot-v2.0-cをベースにSmartShot手法と合成データで性能向上を図ったゼロショット分類モデル

アニメスタイル画像の記述に特化した視覚言語モデル。SmolVLM-500M-Baseをファインチューニングし、大規模言語モデルで生成された18万組の合成画像/字幕ペアでトレーニング。

VILA-v1.5-8Bを基に構築された動画字幕生成モデルで、入力動画に対して詳細かつ人間の嗜好に合致する字幕を生成できます。

PoseLessは、明示的な姿勢推定を必要とせず、投影表現を使用して2D画像を直接関節角度にマッピングする革新的なロボットハンド制御フレームワークです。

GLiNER-BioMedはGLiNERフレームワークに基づく、生物医学分野向けに設計された効率的なオープンNERモデルスイートで、さまざまな種類の生物医学エンティティを認識できます。

GLiNER-BioMedはGLiNERフレームワークに基づく効率的なオープンバイオメディカル固有表現認識モデルスイートで、バイオメディカル分野向けに設計されており、さまざまなエンティティタイプを認識できます。

GLiNER-BioMedはGLiNERフレームワークに基づく専門的な効率的なオープンバイオメディカルNERモデルスイートで、バイオメディカルエンティティ認識タスクにおいて最先端のゼロショットおよび少数ショット性能を実現しています。

GLiNER-生物医学版はGLiNERフレームワークを基に開発された専門的な生物医学固有表現認識モデルで、様々な生物医学エンティティタイプを識別できます。

Asagi-8Bは大規模な日本語視覚言語モデル（VLM）で、広範な日本語データセットに基づいて訓練され、多様なデータソースを統合しています。

単一GPUで24時間以内にトレーニングされた高品質な音声言語モデル、Qwen2.5-0.5Bを微調整、Hubertトークンを語彙として使用

ModernBERT-largeをファインチューニングしたテキスト分類モデルで、テキスト内のさまざまなバイアスタイプを検出・分類します。

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。

Jasper研究チームによって開発された低解像度画像のスケールアップ用ControlNetモデル

DistilBERTをファインチューニングした多言語感情分析モデルで、21言語をサポートし、ソーシャルメディアや顧客フィードバックなど多様なシナリオの分析に適しています。

低レベルの幾何知覚能力を強化するために特別に訓練されたマルチモーダル大規模言語モデル。高忠実度の視覚記述を合成することで幾何解析能力を向上

BARTアーキテクチャに基づくスペイン語文法チェックモデル。COWS-L2Hデータセットと80,984件の合成データでトレーニングされ、単文チェックに最適化

mStyleDistanceは多言語スタイル埋め込みモデルで、類似した執筆スタイルのテキストを密に埋め込み、異なるスタイルのテキストを遠くに埋め込むことを目的としており、コンテンツや言語の制約を受けません。

pegasus-x-baseをファインチューニングしたテキスト要約モデルで、合成データを使用してトレーニングされ、長文書の要約タスクに優れています。

Depth Anything V2を屋外メトリック深度推定タスク向けにファインチューニングしたバージョンで、合成データセットVirtual KITTIを使用してトレーニング

distilbert/distilbert-base-uncasedをファインチューニングした感情分析モデルで、合成データのみでトレーニングされ、5つの感情分類をサポートします。

GLiClassは効率的なゼロショット分類器で、GLiNERに触発され、テキスト分類、感情分析、およびRAGプロセスにおける再ランキングタスクに適しています。

Qwen2-1.5B-Instructモデルを基に2回の微調整を行った要約生成専用モデル

TrOCR-Ruは、microsoft/trocr-base-handwrittenをロシア語と英語の合成データセットでファインチューニングした光学文字認識モデルで、画像からテキストへの変換タスクに特化しています。

このモデルはT5アーキテクチャに基づいており、フランス語テキストのスペルミスや句読点の誤りを修正するために特別に設計されています。

Zephyr 7B Gemmaはgoogle/gemma-7bをファインチューニングした言語モデルで、公開合成データセットで直接選好最適化(DPO)を使用して訓練され、有用なアシスタントとして設計されています。

microsoft/trocr-base-handwrittenをファインチューニングしたロシア語と英語のOCRモデルで、手書きと印刷テキストの認識に特化

ko-deplotはGoogleのPix2Structアーキテクチャに基づく韓国語視覚的質問応答モデルで、Deplotモデルを微調整してトレーニングされ、韓国語と英語のチャート画像質問応答タスクをサポートします。

Orca 2はマイクロソフトが開発した研究用言語モデルで、小型言語モデルの推論能力向上に焦点を当てています。

Orca 2はマイクロソフトが開発した研究用言語モデルで、小型言語モデルの推論能力向上に焦点を当て、LLAMA-2をファインチューニングして作成されました。

70億パラメータの因果言語モデルで、Meta LLaMA 2アーキテクチャと互換性があり、複数の評価で同クラスの330億パラメータ以下のモデルを上回る性能を発揮

HermesデータセットでファインチューニングされたPhi-1.5モデル、主にテキスト生成タスクに使用

このモデルはEU運転免許証画像から構造化情報を抽出し、JSON形式で結果を返します。

ESM-2タンパク質言語モデルに基づいてトレーニングされた小型配列分類器で、タンパク質配列を酵素、受容体タンパク質、構造タンパク質の3種類に分類できます。

TrOCRは視覚エンコーダ-デコーダアーキテクチャに基づく韓国語画像からテキストへの変換モデルで、DeiTを画像エンコーダ、RoBERTaをテキストデコーダとして使用しています。

これはLlaMaアーキテクチャを基にした130億パラメータの言語モデルで、合成データを用いてファインチューニングされ、主に研究目的で使用されます。

microsoft/trocr-base-printedをファインチューニングした印刷テキスト認識モデル、合成OCRデータセットに最適化

Pythia-2.8Bの重複排除バージョンを基にした命令生成モデルで、合成命令データセットに最適化されています

ELECTRA-Largeアーキテクチャに基づく2段階トレーニング質問応答モデル。最初に合成敵対データでトレーニングし、その後SQuADとAdversarialQAデータセットで微調整