# 高解像度視覚理解

LLaVA-UHD v2は、階層的ウィンドウトランスフォーマーを中心に構築された、高度なマルチモーダル大規模言語モデルです。高解像度特徴ピラミッドを通じて、さまざまな視覚粒度を捉えることができます。

Eagleは、視覚を中心とした高解像度マルチモーダル大規模言語モデルのシリーズで、1K以上の入力解像度をサポートし、光学文字認識やドキュメント理解などのタスクで優れた性能を発揮します。

モンキーモデルは大規模マルチモーダルモデルで、画像解像度の向上とテキストラベル手法の改良により、様々な視覚タスクで優れた性能を発揮します。

ConvNeXt-Largeアーキテクチャに基づくCLIPモデルで、LAION-2Bデータセットでトレーニングされ、ゼロショット画像分類と画像テキスト検索タスクをサポートします。