# 軽量視覚言語モデル

これは256Mパラメータのプレビュー版文書理解モデルで、文書構造解析と内容抽出タスク向けに設計されており、画像文書を構造化データに変換できます。

Qwen2.5-VL-7B-Captioner-Relaxed は、Qwen2.5 アーキテクチャに基づくマルチモーダル視覚言語モデルで、画像からテキストを生成するタスクに特化しています。

SmolVLM2-500M-Video-Instructを変換したMLX形式モデルで、ビデオテキストからテキストへのタスクをサポート

これはMLX形式の動画テキスト変換モデルで、HuggingFaceTBによって開発され、英語の言語処理をサポートしています。

LlavaGuardは視覚言語モデルに基づくセキュリティ評価の守護者で、主に画像コンテンツの安全分類と違反検出に使用されます。

doubutsuはカスタマイズシナリオの微調整のために設計された軽量視覚言語モデルシリーズです。

UForm-Gen2-dpoは、直接選好最適化（DPO）を用いてVLFeedbackおよびLLaVA-Human-Preference-10K選好データセットで画像キャプション生成と視覚的質問応答タスクに対してアライメント訓練された小型生成視覚言語モデルです。

Moondream2のファインチューニング版で、画像プロンプト生成に最適化された軽量視覚言語モデルです。エッジデバイスでの効率的な実行に適しています。

LLaVa-Phi-2-3Bはオープンソースのマルチモーダルチャットボットモデルで、Phi-2アーキテクチャを基にファインチューニングされ、画像とテキスト入力を処理し自然言語応答を生成できます。