# 画像テキスト融合

Llama 4 MaverickはMetaが発表したマルチモーダルAIモデルで、テキストと画像の理解をサポートし、混合専門家アーキテクチャ（MoE）を採用しており、多言語テキストやコード生成タスクで優れた性能を発揮します。

Liquidは自己回帰生成パラダイムであり、画像を離散コードにトークン化し、共有特徴空間でこれらのコード埋め込みとテキストトークンを学習することで、視覚的理解と生成のシームレスな融合を実現しました。

Pixtral-Large-Instruct-2411はMistralAI技術を基にしたマルチモーダル命令微調整モデルで、画像とテキスト入力をサポートし、多言語処理能力を備えています。