# 視覚テキスト生成

Gemma 3はGoogleがGemini技術に基づいて構築した軽量オープンモデルシリーズで、マルチモーダル入力とテキスト出力をサポートします。

Llama-3.2-11B-Vision-Instructは多言語対応の視覚 - 言語モデルで、画像テキストからテキストへの変換タスクに使用できます。

unsloth/Llama-3.2-11B-Vision-Instructを基にファインチューニングされたマルチモーダルモデルで、視覚-言語タスクに最適化され指示追従能力が強化されており、Unslothフレームワークにより2倍のトレーニング加速を実現

EraX-VL-7B-V1.5のマルチモーダル量子化バージョンで、ベトナム語、英語、中国語をサポートし、保険やOCRなどのタスクに適しています。

ZhTrainTicketでファインチューニングされたDonutモデルで、OCR処理不要でドキュメント画像からテキストへ変換します。

DonutはOCR不要のドキュメント理解Transformerモデルで、視覚エンコーダー(Swin Transformer)とテキストデコーダー(BART)で構成され、画像から直接テキスト情報を抽出できます。