# 多言語視覚質問応答

EraX-VL-7B-V1.5は、光学文字認識（OCR）と視覚質問応答（VQA）に特化した強力なマルチモーダルモデルで、多言語環境で優れた性能を発揮し、特にベトナム語に長けています。

Trillion-LLaVA-7Bは画像を理解できる視覚言語モデル（VLM）で、Trillion-7B-previewベースモデルを基に開発されました。

InternVL3-8B-6bit 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。

Llama 3.2-VisionはMetaが開発したマルチモーダル大規模言語モデルで、画像とテキスト入力をサポートし、視覚認識、画像推論、記述タスクに最適化されています。

Centurio はオープンソースの多言語大規模視覚言語モデルで、100言語をサポートし、画像テキストからテキストへの処理能力を備えています。

mBLIPはBLIP-2アーキテクチャに基づく多言語視覚-言語モデルで、96言語の画像キャプション生成と視覚質問応答タスクをサポートします。

mBLIPは多言語視覚-言語モデルで、BLIP-2アーキテクチャに基づき、96言語の画像キャプション生成と視覚質問応答タスクをサポートします。