# 多言語視覚理解

InternVL3-8BはOpenGVLabが開発した先進的なマルチモーダル大規模言語モデルで、強力なマルチモーダル知覚と推論能力を備え、ツール呼び出し、GUIエージェント、産業画像分析、3D視覚知覚などの新領域をサポートします。

InternVL3-2B-InstructはInternVL3-2Bを基にした教師付き微調整バージョンで、ネイティブマルチモーダル事前学習とSFT処理を経ており、強力なマルチモーダル知覚と推論能力を備えています。

Aya Vision 32BはCohereラボが開発したオープンウェイト32Bパラメータのマルチモーダルモデルで、23言語の視覚言語タスクをサポートします。

Aya Vision 8Bはオープンウェイトの80億パラメータ多言語視覚言語モデルで、23言語の視覚と言語タスクをサポートします。

Qwen2.5-VL-3B-InstructをベースにColBERT戦略を採用した多言語視覚検索モデルで、Vidoreベンチマークテストで優れた性能を発揮

EraX-VL-2B-V1.5はベトナム語、英語、中国語をサポートするマルチモーダル基盤モデルで、画像からテキストへの変換や画像とテキストの変換が可能です。

Pix2Structは視覚言語理解モデルで、事前学習とファインチューニングにより画像からテキストへのタスクを処理し、特に画像キャプション生成に適しています。

Pix2Structは、UIインターフェースのスクリーンショットから機能説明の字幕を生成するために最適化された視覚言語理解モデルです

Pix2Structは視覚言語理解モデルで、画像からテキストへの変換タスクを事前学習により処理し、特に高解像度インフォグラフィックの視覚QAに最適化されています。

Pix2Structは画像エンコーダ-テキストデコーダモデルで、マルチタスク訓練により視覚言語理解タスクを処理し、特に高解像度インフォグラフィックの視覚的質問応答に最適化されています。