# 日本語マルチモーダル

Llama-3-EvoVLM-JP-v2 は実験的な汎用日本語視覚言語モデルで、テキストと画像の交互入力をサポートしています。このモデルは進化的モデル融合手法を用いて作成されました。

日本語版CLIPモデルで、日本語テキストと画像を同じ埋め込み空間にマッピングでき、ゼロショット画像分類、テキスト-画像検索などのタスクに適しています。

rinna株式会社によって訓練された日本語CLOOB（Contrastive Leave-One-Out Boost）モデルで、画像とテキストのクロスモーダル理解に使用されます

rinna株式会社が訓練した日本語CLIPモデルで、日本語テキストと画像の対比学習をサポート

これは日本語に適したCLIPテキスト/画像エンコーダーモデルで、蒸留技術を用いて英語版CLIPモデルから日本語版に変換されました。