# 英語視覚理解

VL-Rethinker-72Bの4ビット量子化バージョンで、AppleデバイスのMLXフレームワークに適しており、視覚質問応答タスクをサポートします。

これはQwen2.5-VL-7B-Instructをベースにしたマルチモーダルモデルで、視覚QAタスクをサポートし、Appleチップ上で効率的に動作するようMLXフォーマットに変換されています。

ViT-L/14とマスクドセルフアテンションTransformerを基にしたCLIPモデルで、ゼロショット画像分類研究用

UForm-Genは小型の生成的視覚言語モデルで、主に画像キャプション生成と視覚的質問応答に使用されます。

Flickr30kは、画像からテキストへのタスクのための英語データセットで、画像キャプション生成モデルのトレーニングや評価によく使用されます。

CLIPはOpenAIが開発したマルチモーダルモデルで、画像とテキストの関係を理解し、ゼロショット画像分類タスクをサポートします。