# 軽量マルチモーダル

SmolVLMはコンパクトなオープンソースのマルチモーダルモデルで、画像とテキストの入力を受け取り、テキスト出力を生成することができます。効率性を重視して設計されており、デバイス端のアプリケーションに適しています。

HyperCLOVAX-SEED-Vision-Instruct-3BはNAVERが開発した軽量マルチモーダルモデルで、画像・テキスト理解とテキスト生成能力を備え、特に韓国語処理能力が最適化されています。

google/gemma-3-4b-itモデルをベースに訓練されたマルチモーダルモデルで、数学、プログラミング、科学、パズル解決分野の高品質データ処理に特化しています。

NVILA-Liteアーキテクチャでトレーニングされた日本語視覚言語モデル、日本語と英語の画像テキストインタラクションをサポート

これはMLXフレームワークに基づいて変換された動画テキストからテキストへのモデルで、動画理解とコマンド追従タスクに適しています。

軽量マルチモーダルモデルで、動画コンテンツ分析のために設計されており、動画、画像、テキスト入力を処理してテキスト出力を生成できます。

SmolVLM2-256M-Videoは軽量マルチモーダルモデルで、動画コンテンツ分析のために設計されており、動画、画像、テキスト入力を処理しテキスト出力を生成できます。

SmolVLM2-2.2Bは、動画コンテンツ分析のために設計された軽量マルチモーダルモデルで、動画、画像、テキスト入力を処理しテキスト出力を生成できます。

T-lite-it-1.0 はロシア語と英語をサポートする画像からテキストへの変換モデルで、GGUF形式に変換されています。

nanoLLaVA-1.5は10億パラメータ以下の視覚言語モデルで、エッジデバイス向けに設計されており、小型ながら強力な機能を備えています。

Imp-v1.5-4B-Phi3は高性能で軽量なマルチモーダル大規模モデルで、わずか40億パラメータを持ち、Phi-3フレームワークとSigLIP視覚エンコーダーに基づいて構築されています。

moondream2はエッジデバイスで効率的に動作するように設計された小型視覚言語モデルで、llamafile形式による簡単な展開が可能です。

nanoLLaVAは1Bパラメータの視覚言語モデルで、エッジデバイス向けに設計され、効率的な動作が特徴です。

UForm-Genは小型の生成的視覚言語モデルで、主に画像キャプション生成と視覚的質問応答に使用されます。

MiniCPM-Vは、エンドデバイス展開に最適化された効率的で軽量なマルチモーダルモデルで、中英バイリンガルのインタラクションをサポートし、同規模のモデルを凌駕する性能を発揮します。

16億パラメータのマルチモーダルモデル、SigLIPとPhi-1.5技術アーキテクチャを融合、画像理解と質問応答タスクをサポート

TinyLLaVAは小規模ながら高性能なマルチモーダルモデルフレームワークで、視覚言語タスクに特化しています。

UForm-Gen-ChatはUForm-Genのマルチモーダルチャットファインチューニング版で、主に画像キャプション生成と視覚的質問応答タスクに使用されます。

UForm-Genは小型の生成的視覚言語モデルで、主に画像キャプション生成と視覚的質問応答に使用されます。