%20--%3e%3cdefs%3e%3cstyle%3e%20.st0%20{%20fill:%20%23061b40;%20}%20.st1%20{%20fill:%20%23306af1;%20}%20.st2%20{%20fill:%20%235ce5cf;%20}%20%3c/style%3e%3c/defs%3e%3cg%3e%3cpath%20class='st0'%20d='M55,10.5h9v3h-9v9h12V7.5h-12v3ZM64,19.5h-6v-3h6v3Z'/%3e%3cpolygon%20class='st0'%20points='69%2016.5%2078%2016.5%2078%2019.5%2069%2019.5%2069%2022.5%2081%2022.5%2081%2013.5%2072%2013.5%2072%2010.5%2081%2010.5%2081%207.5%2069%207.5%2069%2016.5'/%3e%3cpolygon%20class='st0'%20points='95%2010.5%2095%207.5%2083%207.5%2083%2022.5%2095%2022.5%2095%2019.5%2086%2019.5%2086%2016.5%2095%2016.5%2095%2013.5%2086%2013.5%2086%2010.5%2095%2010.5'/%3e%3cpath%20class='st0'%20d='M40,1.5v21h11.6l1.4-1.4v-7.6h0c0,0-1.4-1.5-1.4-1.5l1.4-1.4V2.9l-1.4-1.4h-11.6ZM50,19.5h-7v-6h7v6ZM50,10.5h-7v-6h7v6Z'/%3e%3c/g%3e%3cpath%20class='st1'%20d='M23.1,24L14.7,4.8l-4.9,11.2h3.8l-1.8,4H3.3L12.1,0H2C.9,0,0,.9,0,2v20c0,1.1.9,2,2,2h21.1Z'/%3e%3cpath%20class='st2'%20d='M34,0h-16.8l10.6,24h6.2c1.1,0,2-.9,2-2V2C36,.9,35.1,0,34,0ZM32.5,20h-4V4h4v16Z'/%3e%3c/svg%3e)
Heron NVILA Lite 1B
Apache-2.0
NVILA-Liteアーキテクチャでトレーニングされた日本語視覚言語モデル、日本語と英語の画像テキストインタラクションをサポート
画像生成テキスト
Safetensors 複数言語対応
Safetensors 複数言語対応H
turing-motors
460
2
Sarashina2 Vision 14b
MIT
Sarashina2-Vision-14BはSB Intuitionsによって開発された日本の大規模視覚言語モデルで、Sarashina2-13BとQwen2-VL-7Bの画像エンコーダーを組み合わせており、複数のベンチマークテストで優れた性能を示しています。
画像生成テキスト
Transformers 複数言語対応
Transformers 複数言語対応S
sbintuitions
192
6
Sarashina2 Vision 8b
MIT
Sarashina2-Vision-8BはSB Intuitionsによってトレーニングされた日本の大規模視覚言語モデルで、Sarashina2-7BとQwen2-VL-7Bの画像エンコーダーを基にしており、複数のベンチマークテストで優れたパフォーマンスを発揮しています。
画像生成テキスト Transformers 複数言語対応
Transformers 複数言語対応S
sbintuitions
1,233
4
Llm Jp 3 Vila 14b
国立情報学研究所によって開発された大規模視覚言語モデルで、日本語と英語をサポートし、強力な画像理解とテキスト生成能力を備えています。
画像生成テキスト Safetensors 日本語
Safetensors 日本語L
llm-jp
106
10
Convllava JP 1.3b 1280
ConvLLaVA-JPは高解像度入力に対応した日本語視覚言語モデルで、入力画像について対話が可能です。
画像生成テキスト Transformers 日本語
Transformers 日本語C
toshi456
31
1
Llava Calm2 Siglip
Apache-2.0
llava-calm2-siglip は実験的な視覚言語モデルで、画像に関する質問に日本語と英語で回答できます。
画像生成テキスト Transformers 複数言語対応
Transformers 複数言語対応L
cyberagent
3,930
25
Chat Vector Llava V1.5 7b Ja
入力画像に対して日本語で対話可能な視覚言語モデルで、Chat Vector手法を用いて複数のモデル重みを統合して作成
画像生成テキスト Transformers 日本語
Transformers 日本語C
toshi456
26
1
Llava Jp 1.3b V1.1
LLaVA-JPは日本語をサポートするマルチモーダル視覚言語モデルで、入力画像に関する説明や対話を理解し生成できます。
画像生成テキスト Transformers 日本語
Transformers 日本語L
toshi456
90
11
Evovlm JP V1 7B
Apache-2.0
EvoVLM-JP-v1-7B は実験的な汎用日本語視覚言語モデルで、進化的モデル融合手法を用いて作成されました
画像生成テキスト Transformers 日本語
Transformers 日本語E
SakanaAI
46
36
Heron Chat Blip Ja Stablelm Base 7b V1 Llava 620k
入力画像について対話可能な視覚言語モデルで、日本語インタラクションをサポート
画像生成テキスト Transformers 日本語
Transformers 日本語H
turing-motors
25
3
Heron Chat Blip Ja Stablelm Base 7b V1
これは入力画像について対話可能な視覚言語モデルで、日本語でのコミュニケーションをサポートします。
画像生成テキスト Transformers 日本語
Transformers 日本語H
turing-motors
40
3
Llava Jp 1.3b V1.0
LLaVA-JPは入力画像について対話可能な日本語視覚言語モデルで、LLaVA手法を用いてllm-jp-1.3b-v1.0をファインチューニングして作成されました。
画像生成テキスト Transformers 日本語
Transformers 日本語L
toshi456
30
5
Heron Chat Git ELYZA Fast 7b V0
入力画像に対して対話可能な視覚言語モデルで、日本語インタラクションをサポート
画像生成テキスト Transformers 日本語
Transformers 日本語H
turing-motors
17
3
おすすめAIモデル
Llama 3 Typhoon V1.5x 8b Instruct
タイ語専用に設計された80億パラメータの命令モデルで、GPT-3.5-turboに匹敵する性能を持ち、アプリケーションシナリオ、検索拡張生成、制限付き生成、推論タスクを最適化
大規模言語モデル Transformers 複数言語対応
Transformers 複数言語対応L
scb10x
3,269
16
Cadet Tiny
Openrail
Cadet-TinyはSODAデータセットでトレーニングされた超小型対話モデルで、エッジデバイス推論向けに設計されており、体積はCosmo-3Bモデルの約2％です。
対話システム Transformers 英語
Transformers 英語C
ToddGoldfarb
2,691
6
Roberta Base Chinese Extractive Qa
RoBERTaアーキテクチャに基づく中国語抽出型QAモデルで、与えられたテキストから回答を抽出するタスクに適しています。
質問応答システム 中国語
R
uer
2,694
98