JanusCoder-8Bは、Qwen3-8Bをベースに構築されたオープンソースのコードインテリジェンス基礎モデルで、統一されたビジュアルプログラミングインターフェイスを構築することを目的としています。このモデルは、JANUSCODE-800K（これまでで最大のマルチモーダルコードコーパス）で学習され、データ可視化、インタラクティブなWeb UI、コード駆動のアニメーションなど、さまざまなビジュアルプログラミングタスクを処理できます。

マルチモーダルTransformers

Gemma 3 27B IT QATのMLX MXFP4量子化バージョンで、Googleによって開発された軽量オープンソースのマルチモーダルモデルです。このモデルは、テキストと画像の入力を同時に処理し、テキスト出力を生成することができ、128Kの大規模コンテキストウィンドウを持ち、140種類以上の言語をサポートし、さまざまなテキスト生成と画像理解タスクに適しています。

マルチモーダルMlx

Qwen3-Omni-30B-A3B-ThinkingモデルのQ4_K_S量子化GGUFバージョンで、テキスト、視覚、オーディオのマルチモーダル処理をサポートし、llama.cppを通じて高効率な推論を実現します。このバージョンは品質を保証しつつ、ファイルサイズを大幅に削減し、推論速度を向上させます。

マルチモーダルGguf多言語

これはQwen3-VL-235B-A22B-Instructの量子化バージョンで、重みと活性化値をFP8データ型に量子化することで、ディスク容量とGPUメモリの要件を約50％削減します。テキスト、画像、ビデオの入力をサポートし、テキストを出力し、さまざまな自然言語処理とマルチモーダルタスクに適しています。

マルチモーダルSafetensors

KaniTTSは高速で高忠実度のテキスト音声変換モデルで、リアルタイム対話型人工知能アプリケーション向けに最適化されています。このモデルは2段階の処理フローを採用し、大規模言語モデルと効率的なオーディオコーデックを組み合わせています。Nvidia RTX 5080で15秒の音声を生成する際の遅延は約1秒だけで、MOS自然度評価は4.3/5で、英語、中国語、日本語などの多言語をサポートしています。

音声処理Transformers多言語

GPT-OSS-20BはOpenAIが開発したオープンウェイトモデルで、210億のパラメータ（うち36億がアクティブパラメータ）を持ち、低遅延、ローカルデプロイ、特定のユースケース向けに設計されています。このモデルはharmony応答形式で訓練されており、強力な推論能力とエージェントタスク処理能力を備えています。

自然言語処理Transformers

OmniVinciはNVIDIAが開発した全モーダリティ理解大規模言語モデルで、視覚、テキスト、オーディオ処理および音声インタラクション機能を備え、マルチモーダル推論と理解をサポートします。

マルチモーダルTransformers

Gemma 3はGoogleが開発した軽量オープンソースのマルチモーダルモデルファミリーで、テキストと画像の入力を処理し、テキスト出力を生成することができます。128Kの大きなコンテキストウィンドウを持ち、140種類以上の言語をサポートし、テキスト生成や画像理解などの様々なタスクに適しています。

マルチモーダルTransformers

gpt-oss-20bはOpenAIが開発したオープンウェイトモデルで、210億のパラメータ（うち36億はアクティブなパラメータ）を持ち、低遅延、ローカルデプロイ、特定のシナリオ向けに設計されています。このモデルはharmony応答形式で訓練され、強力な推論能力とエージェントタスク処理能力を備えています。

自然言語処理Transformers

Gemma 3はGoogleが開発した軽量で最先端のマルチモーダルオープンモデルファミリーで、Geminiモデルと同じ研究と技術に基づいて構築されています。このモデルはテキストと画像の入力を処理し、テキスト出力を生成することができ、128Kの大きな文脈ウィンドウを持ち、140種類以上の言語をサポートし、270Mから27Bまでの様々なサイズを選択できます。

マルチモーダルTransformers

Gemma 3はGoogleが開発した軽量で最先端のマルチモーダルオープンモデルファミリーで、テキストと画像の入力を処理し、テキスト出力を生成することができます。128Kの大きなコンテキストウィンドウを持ち、140種類以上の言語をサポートし、270Mから27Bまでの様々な規模のモデルを提供し、様々なテキスト生成と画像理解タスクに適しています。

マルチモーダルTransformers

ARC-Hunyuan-Video-7Bは、腾讯ARC研究所が開発したマルチモーダルモデルで、現実世界の短動画コンテンツを理解するために特化しています。このモデルは、ビジュアル、オーディオ、テキスト信号をエンドツーエンドで処理し、マルチモーダルの手がかりを統合することで、動画の深層的な構造化理解を実現します。

マルチモーダルTransformers

フィンランド現代BERTは、現代BERTアーキテクチャに基づく多言語エンコーダーモデルで、フィンランド語、スウェーデン語、英語、コード、ラテン語、北サーミ語で事前学習されています。このモデルは4000億個のトークンで学習され、最大128,000個のトークンの文脈長をサポートし、フィンランドの公用語と長文書のシナリオを処理するために設計されています。

自然言語処理Transformers多言語

DeepSeek-VLはオープンソースの視覚言語モデルで、テキストと画像を同時に処理し、文脈に関連した応答を生成することができます。このモデルは混合エンコーディングアーキテクチャを採用し、LLaMAテキストエンコーダとSigLip/SAM視覚エンコーダを組み合わせており、高解像度画像処理をサポートし、実世界の応用で優れた性能を発揮します。

マルチモーダルTransformers

Ultravoxはマルチモーダル音声大規模言語モデルで、事前学習された大規模言語モデルと音声エンコーダを組み合わせており、音声入力を理解して処理することができ、多言語音声認識、翻訳、オーディオ分析などの機能をサポートしています。

マルチモーダルTransformers多言語

NeuroBERTはBERTベースの軽量自然言語処理モデルで、リソース制約のあるデバイス向けに最適化されており、エッジコンピューティングやIoTシナリオに適しています。

自然言語処理Transformers多言語

軽量級の統一多モーダリティモデルで、画像、テキスト、音声、ビデオなどの多様なモーダリティデータを効率的に処理し、音声と画像生成において優れた性能を発揮します。

マルチモーダルTransformers

Gemma 3はGoogleが開発した軽量で最先端のマルチモーダルオープンモデルで、テキストと画像の入力を処理し、テキスト出力を生成できます。128Kの大きなコンテキストウィンドウと多言語対応を備え、さまざまなテキスト生成と画像理解タスクに適しており、リソースが限られた環境でもデプロイ可能です。

マルチモーダルTransformers

TableLLMは、表データ操作タスクに特化して設計された大規模言語モデルで、実際のオフィスシナリオにおける表データ処理ニーズに対応します。

自然言語処理Transformers英語

Gemma 3はGoogleが開発した軽量で最先端のオープンモデルファミリーで、Geminiモデルと同じ研究と技術に基づいて構築されています。この27Bバージョンは量子化感知トレーニング（QAT）を採用しており、メモリ要件を大幅に削減しながらもbfloat16に近い品質を維持することができ、マルチモーダル処理能力と128Kの大規模コンテキストウィンドウを備えています。

マルチモーダルTransformers