# 視覚的質問応答最適化

ReflectiVAは、外部知識源とリフレクショントークン機構を統合することで視覚的質問応答能力を強化したマルチモーダル大規模言語モデルです。

Xinyuan-VL-2B はサイリンガーグループが提供するエッジサイド向けの高性能マルチモーダル大規模モデルで、Qwen/Qwen2-VL-2B-Instruct をファインチューニングしており、500万件以上のマルチモーダルデータと少量のテキストデータを使用しています。

これはロシア語対応のQwen2-VL-2BモデルにLORA微調整を施したバージョンで、マルチモーダルタスクをサポートします。

一人称視点ビデオに最適化された視覚言語モデル。EILEVの革新的なトレーニング手法でコンテキスト学習能力を喚起

Volcano-7bはマルチモーダル自己フィードバックによる改訂モデルで、vicuna-7b-v1.5モデルを混合視覚命令チューニングデータセットとマルチモーダルフィードバックおよび改訂データでファインチューニングしたものです。