これはQwen3-VL-32B-Thinkingモデルを変換した4ビット量子化バージョンで、MLXフレームワークに特化して最適化されています。このモデルは32Bパラメータ規模のマルチモーダル視覚言語モデルで、思考連鎖推論能力を備え、画像とテキストの入力を同時に処理し、高品質のテキスト応答を生成することができます。

マルチモーダルTransformers

これはQwen3-VL-4B-Instructモデルの4ビット量子化バージョンで、Apple Siliconチップ向けに最適化され、MLXフレームワークを使用して変換されています。このモデルは視覚言語モデルで、画像理解とマルチモーダル対話タスクをサポートします。

マルチモーダルMlx

これはHuihui-GLM-4.5V-abliteratedモデルをベースに変換された視覚言語モデルで、MXFP4量子化形式を採用し、Apple MLXフレームワークに特化して最適化されており、画像理解とマルチモーダル対話タスクをサポートしています。

マルチモーダルMlx多言語

HuMoは統一的で人を中心としたビデオ生成フレームワークで、テキスト、画像、音声などのマルチモーダル入力に基づいて、高品質、細粒度で制御可能な人間のビデオを生成できます。強力なテキストプロンプト追従、一貫した主体保持、同期した音声駆動型モーションをサポートします。

マルチモーダルGguf

HuMoは人を中心としたビデオ生成フレームワークで、テキスト、画像、音声などのマルチモーダル入力を利用して、高品質、細粒度で制御可能な人間のビデオを生成することができます。テキストプロンプトの追従、主体の保持、音声駆動運動の同期をサポートします。

マルチモーダルGguf

MiniCPM4.1-8B-8bitは、MiniCPM4.1-8Bモデルを変換した8ビット量子化バージョンで、MLXフレームワーク用に最適化され、効率的なマルチモーダル言語処理能力を提供します。

自然言語処理Mlx多言語

InternVL3_5-38Bは、オープンソースのマルチモーダルモデルInternVL3.5シリーズの一員で、機能性、推論能力、推論効率の面で著しい進歩を遂げています。多言語をサポートし、画像テキストからテキストへのタスクに適用でき、カスケード強化学習フレームワークとビジュアル解像度ルーター技術を用いて性能を最適化しています。

マルチモーダルTransformersその他

InternVL3.5-4Bはオープンソースのマルチモーダルモデルシリーズの中規模バージョンで、汎用性、推論能力、推論効率の面で顕著な進歩を遂げ、GUIインタラクションなどの新機能をサポートしています。このモデルはカスケード強化学習フレームワークと視覚解像度ルーター技術を採用し、効率的なマルチモーダル理解と推論を実現しています。

マルチモーダルTransformersその他

InternVL3.5-4Bはオープンソースのマルチモーダルモデルシリーズの中規模版で、4.7億のパラメータを含み、先進的なカスケード強化学習フレームワークとビジュアル解像度ルーター技術を採用しており、マルチモーダル推論能力と効率を大幅に向上させています。

マルチモーダルTransformersその他

これはGLM-4.5Vモデルを基に変換された4ビット量子化バージョンで、MLXフレームワークに特化して最適化されています。このモデルは視覚言語モデルで、画像理解とマルチモーダル対話タスクをサポートします。

マルチモーダルTransformers多言語

これはMLXフレームワークに基づいて変換された視覚言語モデルで、huihui-ai/Huihui-GLM-4.5V-abliteratedから変換され、画像理解とマルチモーダル対話タスクをサポートします。

マルチモーダルTransformers多言語

これはGoogle Gemma-3n-E2B-itモデルの量子化バージョンで、重みをINT4データ型に量子化することで最適化されており、vLLMフレームワークを使用して効率的な推論が可能です。このモデルはオーディオ - ビジュアル - テキストのマルチモーダル入力をサポートし、出力はテキストです。

マルチモーダルTransformers

UniMEはマルチモーダル大規模モデルに基づく汎用埋め込み学習フレームワークで、テキスト識別知識蒸留とハードネガティブサンプル増強の指示チューニング戦略により、マルチモーダル埋め込み能力を大幅に向上させています。

マルチモーダルTransformers英語

SkyReels V2は世界初の拡散強制フレームワークを採用した無限長映画生成モデルで、マルチモーダル大規模言語モデル、多段階事前学習、強化学習と拡散強制技術を統合し、全面的な最適化を実現しています。

マルチモーダルDiffusers

PUREは、低レベル視覚タスクを解決するためにマルチモーダル大規模言語モデル（MLLM）をバックボーンネットワークとして採用した最初のフレームワークです。

マルチモーダルSafetensors

Harmonは革新的な統一マルチモーダル理解・生成フレームワークで、共有MARエンコーダーにより理解と生成の視覚表現を調和させ、テキストから画像生成やマルチモーダル理解タスクで優れた性能を発揮します。

マルチモーダルSafetensors英語

LLaVActionは動作認識向けのマルチモーダル大規模言語モデル評価・トレーニングフレームワークで、Qwen2言語モデルアーキテクチャを基盤とし、一人称視点の動画理解をサポートします。

マルチモーダルTransformers英語

VideoMindはマルチモーダルエージェントフレームワークで、人間のような認知プロセスを模倣することでビデオ推論能力を強化します。

マルチモーダルSafetensors

VideoMindはマルチモーダルエージェントフレームワークで、人間の思考プロセスを模倣することで動画推論能力を強化します。

マルチモーダルSafetensors

VideoMindはマルチモーダルエージェントフレームワークで、人間の思考プロセス（タスク分解、時間的定位と検証、回答合成など）を模倣することで動画推論能力を強化します。

マルチモーダルSafetensors