# 視覚的推論

ViLTアーキテクチャに基づく視覚言語モデル、GQA視覚推論タスク向けにファインチューニング

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。

このモデルはQwen2.5-VL-7B-Instructから変換されたマルチモーダル視覚言語モデルで、8ビット量子化をサポートし、視覚的質問応答タスクに適しています。

Idefics3はオープンソースのマルチモーダルモデルで、任意のシーケンスの画像とテキスト入力を処理し、テキスト出力を生成できます。OCR、ドキュメント理解、視覚的推論において顕著な改善が見られます。

Idefics2はオープンなマルチモーダルモデルで、任意のシーケンスの画像とテキスト入力を受け取り、テキスト出力を生成できます。このモデルは画像に関する質問に答えたり、視覚的コンテンツを説明したり、複数の画像に基づいてストーリーを作成したり、純粋な言語モデルとして使用したりできます。

ChartQA はチャートから情報を抽出し関連する質問に答えることに特化した視覚的質問応答モデルです。