# 画像質問応答

GemmaはGoogleが提供する軽量で最先端のオープンソースモデルファミリーで、Geminiモデルと同じ研究技術に基づいて構築されています。Gemma 3はマルチモーダルモデルで、テキスト/画像入力とテキスト出力をサポートします。

LLaVA-1.5-7Bモデルを基に視覚的監督ファインチューニング(VSFT)で訓練されたマルチモーダル視覚言語モデルで、画像理解と対話生成をサポート

LLaVA-v1.5-13B-DPOはLLaVAフレームワークに基づく視覚言語モデルで、直接選好最適化(DPO)でトレーニングされ、推論効率向上のためにGGUF量子化フォーマットに変換されています。

InstructBLIPはBLIP-2の視覚的指示チューニング版で、Flan-T5-xl言語モデルを基にした画像からテキストへの生成タスク用です。

IDEFICSはDeepmindが開発したクローズドソースの視覚言語モデルFlamingoのオープンソース再現版で、マルチモーダル入力（画像+テキスト）をサポートし、テキスト出力を生成します。