# 視覚的質問応答の最適化

VL-Reasoner-7B は GRPO-SSR 技術に基づいてトレーニングされたマルチモーダル推論モデルで、複数のマルチモーダル推論ベンチマークテストで優れたパフォーマンスを発揮します。

Phi-4-multimodal-instructは、軽量でオープンソースのマルチモーダル基盤モデルで、Phi-3.5と4.0モデルの言語、視覚、音声研究データを統合しています。テキスト、画像、音声入力をサポートし、テキスト出力を生成し、128Kトークンのコンテキスト長を備えています。

Spec-Vision-V1は、軽量で最先端のオープンソースマルチモーダルモデルで、視覚とテキストデータの深い統合のために構築され、128Kの文脈長をサポートします。

microsoft/Florence-2-base-ftを基に微調整した視覚的質問応答(VQA)専用バージョンで、画像内容を解釈し関連する質問に回答可能

H2OVL-Mississippi-2BはH2O.aiが開発した高性能な汎用視覚言語モデルで、幅広いマルチモーダルタスクを処理できます。このモデルは20億のパラメータを持ち、画像キャプション生成、視覚的質問応答（VQA）、文書理解などのタスクで優れた性能を発揮します。