# 視覚言語融合

このモデルはmlabonne/gemma-3-4b-it-abliteratedのGGUF形式変換バージョンで、x-ray_alphaの視覚コンポーネントを統合し、よりスムーズなマルチモーダル体験を提供します。

STEVE-R1-7B-SFTの静的量子化バージョン、複数の量子化レベルをサポートし、様々なハードウェア要件に対応

ColPaliはPaliGemma-3BとColBERT戦略に基づく視覚検索モデルで、文書の視覚的特徴を効率的にインデックス化します

ColPaliはPaliGemma-3BとColBERT戦略に基づく視覚検索モデルで、視覚特徴から効率的に文書をインデックス化します。

MMAlayaは大規模言語モデルAlayaを基に開発されたマルチモーダルシステムで、大規模言語モデル、画像テキスト特徴エンコーダー、特徴変換モジュールの3つのコアコンポーネントを含みます。

LLaVA-Plusはプラグ可能な学習スキルを備えた大規模言語・視覚アシスタントで、主にマルチモーダルモデルやチャットボットの学術研究に使用されます。

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を微調整し、GPTが生成したマルチモーダル命令追従データに基づいてトレーニングされています。

LLaVAはLLaMA/VicunaをベースにGPTで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たオープンソースチャットボットです