InternVL

IDEFICS Visual Language Model

AI モデル

最先端の機能を再現するオープンアクセス可能なビジュアル言語モデルです。画像とテキストのインターリーブ入力を受け付け、テキスト出力を生成し、Flamingoのようなプロプライエタリモデルに匹敵します。9Bおよび80Bのパラメータサイズで利用可能で、マルチモーダルAIの研究開発をサポートします。IDEFICSは、最先端の機能を再現するオープンアクセス可能なビジュアル言語モデルです。画像とテキストのインターリーブ入力を受け付け、テキスト出力を生成し、Flamingoのようなプロプライエタリモデルに匹敵します。9Bおよび80Bのパラメータサイズで利用可能で、マルチモーダルAIの研究開発をサポートします。

LLaVA

AI GitHub リポジトリ

大規模言語とビジョン機能を組み合わせたビジュアル指示チューニングモデルです。GPT-4Vレベルのパフォーマンスを目指し、マルチモーダルな理解とインタラクションを可能にします。このプロジェクトは、研究者や開発者向けにコード、モデル、リソースを提供します。LLaVAは、大規模言語とビジョン機能を組み合わせたビジュアル指示チューニングモデルです。GPT-4Vレベルのパフォーマンスを目指し、マルチモーダルな理解とインタラクションを可能にします。このプロジェクトは、研究者や開発者向けにコード、モデル、リソースを提供します。

LLaVA

AI モデル

汎用的な視覚と言語の理解のために、ビジョンエンコーダーと言語モデルを組み合わせた大規模マルチモーダルモデルです。マルチモーダルチャット機能に優れ、GPT-4を模倣し、視覚的指示チューニングを通じてScience QAのようなベンチマークで最先端の精度を達成しています。LLaVAは、汎用的な視覚と言語の理解のために、ビジョンエンコーダーと言語モデルを組み合わせた大規模マルチモーダルモデルです。マルチモーダルチャット機能に優れ、GPT-4を模倣し、視覚的指示チューニングを通じてScience QAのようなベンチマークで最先端の精度を達成しています。

凍結されたビジュアルエンコーダーと大規模言語モデルを連携させることで、視覚と言語の理解を強化するAIモデルです。詳細な画像説明の生成、ドラフトからのウェブサイト作成、画像に触発された物語の執筆、視覚的な問題の解決など、高度なマルチモーダル能力を発揮します。MiniGPT-4は、凍結されたビジュアルエンコーダーと大規模言語モデルを連携させることで、視覚と言語の理解を強化するAIモデルです。詳細な画像説明の生成、ドラフトからのウェブサイト作成、画像に触発された物語の執筆、視覚的な問題の解決など、高度なマルチモーダル能力を発揮します。

DeepSeek V4 Flash

AI モデル

高度なテキスト生成タスクのために設計されたAIモデルコレクションです。オープンソースとオープンサイエンスの原則を活用し、人工知能を民主化することを目的とし、さまざまなアプリケーションに対応する異なるパラメータを持つモデルを提供します。DeepSeek V4 Flashは、高度なテキスト生成タスクのために設計されたAIモデルコレクションです。オープンソースとオープンサイエンスの原則を活用し、人工知能を民主化することを目的とし、さまざまなアプリケーションに対応する異なるパラメータを持つモデルを提供します。

Llama-4-Scout-17B-16E-Instruct

AI モデル

Metaによって設計されたマルチモーダルAIモデルです。専門家の混合アーキテクチャを活用して、先進的なテキストおよび画像理解機能を提供し、多言語出力と多様なアプリケーション向けのファインチューニングをサポートします。Llama-4-Scout-17B-16E-Instructは、Metaによって設計されたマルチモーダルAIモデルです。専門家の混合アーキテクチャを活用して、先進的なテキストおよび画像理解機能を提供し、多言語出力と多様なアプリケーション向けのファインチューニングをサポートします。

LG AI Research EXAONE 4.5

AI モデル

LG AI ResearchによるEXAONE 4.5は、視覚と言語の能力を統合したプロフェッショナル向けに設計された大規模言語モデルです。複雑な産業コンテキストの理解に優れ、多言語操作をサポートし、さまざまな分野でのAI駆動ソリューションを強化します。

MiniGPT-4 & MiniGPT-v2

AI GitHub リポジトリ

MiniGPT-4およびMiniGPT-v2のオープンソースコード。これらは、ビジョンと言語の理解を強化する高度な大規模言語モデルです。これらのモデルは、ビジョンと言語のタスクにおけるマルチタスク学習を可能にし、画像理解と生成の機能を提供します。Llama 2およびVicunaモデルを基盤としており、研究者や開発者向けの強力なツールを提供します。