# 視覚的指示ファインチューニング

これはMistral-Small-3.1-24B-Instruct-2503をベースにした視覚強化バージョンで、画像テキスト生成タスクをサポートしています。

Qwen2.5-14BベースモデルとVisualWebInstruct-Verifiedデータセットでトレーニングされたマルチモーダル推論モデルで、英語タスク処理をサポートします。

Qwen2.5-VL-72B-Instruct はマルチモーダルな視覚言語モデルで、画像とテキストのインタラクティブな生成タスクをサポートします。

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はオープンソースのマルチモーダルチャットボットで、LLaMA/VicunaをGPT生成のマルチモーダル指示追従データでファインチューニングして作成されました。

LLaVAはオープンソースのマルチモーダルチャットボットで、LLaMA/Vicunaを基にGPTが生成したマルチモーダル指示追従データでファインチューニングされています。