# 高精度画像記述

PixelReasonerはQwen2.5-VL-7B-Instructを基にした視覚言語モデルで、好奇心駆動型強化学習で訓練され、画像テキストからテキストへのタスクに特化しています。

Llama 3.2-VisionはMetaが開発したマルチモーダル大規模言語モデルで、画像推論とテキスト生成能力を備え、視覚認識、画像記述、質問応答などのタスクをサポートします。

soob3123/amoral-gemma3-12Bをベースにした視覚強化バージョンで、Gemma3-12B大規模言語モデルと視覚エンコーダーを統合し、マルチモーダルタスクをサポート

Qwen2.5-VL-3B-Instructの量子化バージョンで、重みをINT4、活性化をFP16に量子化しており、視覚-テキストタスクの効率的な推論に適しています。

Asagi-4Bは大規模な日本語視覚言語モデル（VLM）で、広範な日本語データセットに基づいて訓練され、多様なデータソースを統合しています。

Llama 3.2-VisionはMetaが開発したマルチモーダル大規模言語モデルで、画像とテキスト入力をサポートし、視覚認識、画像推論、記述などのタスクが可能です。

PixtralはMistralアーキテクチャを基にしたマルチモーダルモデルで、画像とテキスト入力を処理し、詳細なテキスト記述を生成できます。