siglip-so400m-patch14-384モデル

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。

Florence-2モデル

AI モデル

Microsoftによって開発された高度なビジョン基盤モデルで、さまざまなビジョンおよびビジョン-言語タスクを処理するように設計されています。キャプショニングや物体検出などのタスクに対してプロンプトベースのアプローチを使用し、多様なデータセットを活用してマルチタスク学習を行います。Florence-2は、Microsoftによって開発された高度なビジョン基盤モデルで、さまざまなビジョンおよびビジョン-言語タスクを処理するように設計されています。キャプショニングや物体検出などのタスクに対してプロンプトベースのアプローチを使用し、多様なデータセットを活用してマルチタスク学習を行います。

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。

Llama-4 Maverick 17B-128E Instruct

AI モデル

Metaによって開発されたマルチモーダルAIモデルで、高度なテキストおよび画像理解のために設計されています。さまざまなアプリケーションで高いパフォーマンスを発揮するために、エキスパートの混合アーキテクチャを活用しています。Llama-4 Maverick 17B-128E Instructは、Metaによって開発されたマルチモーダルAIモデルで、高度なテキストおよび画像理解のために設計されています。さまざまなアプリケーションで高いパフォーマンスを発揮するために、エキスパートの混合アーキテクチャを活用しています。

Llama-3.2-11B-Vision-Instruct

AI モデル

視覚認識、画像推論、キャプショニングのために設計されたマルチモーダルAIモデルです。Metaによって開発され、テキストと画像の入力を統合して高度な画像理解能力を提供します。Llama-3.2-11B-Vision-Instructは、視覚認識、画像推論、キャプショニングのために設計されたマルチモーダルAIモデルです。Metaによって開発され、テキストと画像の入力を統合して高度な画像理解能力を提供します。

Pixtral-12B-2409モデル

AI モデル

12億のパラメータと4億のパラメータを持つビジョンエンコーダを備えたマルチモーダルAIモデルで、高度な画像およびテキスト処理タスクのために設計されています。Pixtral-12B-2409は、12億のパラメータと4億のパラメータを持つビジョンエンコーダを備えたマルチモーダルAIモデルで、高度な画像およびテキスト処理タスクのために設計されています。

DeepSeek-V3

LLM

#31

6710億のパラメータを持つMixture-of-Experts言語モデルで、効率的な推論とコスト効果の高いトレーニングを目的としています。自然言語処理タスクにおいて強力なパフォーマンスを示し、さまざまなベンチマークで優れた結果を出しています。DeepSeek-V3は、6710億のパラメータを持つMixture-of-Experts言語モデルで、効率的な推論とコスト効果の高いトレーニングを目的としています。自然言語処理タスクにおいて強力なパフォーマンスを示し、さまざまなベンチマークで優れた結果を出しています。

Flamingo

AI モデル

Google DeepMindが開発した単一のビジュアル言語モデル（VLM）であり、多様なマルチモーダルタスクにおける少数の例からの学習（few-shot learning）に優れています。画像、動画、テキストが混在した入力を処理し、関連する言語出力を生成します。追加のトレーニングなしで、タスク固有の例を最小限で済ませることができます。Flamingoは、Google DeepMindが開発した単一のビジュアル言語モデル（VLM）であり、多様なマルチモーダルタスクにおける少数の例からの学習（few-shot learning）に優れています。画像、動画、テキストが混在した入力を処理し、関連する言語出力を生成します。追加のトレーニングなしで、タスク固有の例を最小限で済ませることができます。