Qwen3-VL-2B-InstructはQwenシリーズの中で最も強力なビジュアル言語モデルで、卓越したテキスト理解と生成能力、深いビジュアル認知と推論能力、長いコンテキストサポート、強力な空間およびビデオ動的理解能力を備えています。このモデルは2Bのパラメータ規模を採用し、命令対話をサポートし、マルチモーダルAIアプリケーションに適しています。

マルチモーダルTransformers

LFM2-VL-3BはLiquid AIが開発したマルチモーダル視覚言語モデルで、LFM2バックボーンアーキテクチャに基づいて構築されており、強力な視覚理解と推論能力を備えており、特に細粒度な感知タスクで優れた性能を発揮します。このモデルは、テキストと画像の入力を効率的に処理することができ、最大512×512解像度の原生画像処理をサポートしています。

マルチモーダルTransformers多言語

NVIDIA Qwen2.5-VL-7B-Instruct-FP4は、アリババのQwen2.5-VL-7B-Instructモデルの量子化バージョンで、最適化されたTransformerアーキテクチャを採用し、マルチモーダル入力（テキストと画像）をサポートし、さまざまなAIアプリケーションシナリオに適しています。このモデルはTensorRT Model Optimizerを使用してFP4量子化され、NVIDIA GPU上で効率的な推論性能を提供します。

マルチモーダルSafetensors

GLM-4.5V-AWQ-4bitは、Zhipu AIの次世代フラッグシップテキスト基礎モデルに基づいて構築された量子化バージョンのマルチモーダルモデルで、AWQ-4bit量子化技術により最適化され、優れた性能を維持しながら計算リソースの必要量を大幅に削減します。このモデルは42の公開視覚言語ベンチマークテストで同規模のモデルのSOTA性能を達成し、強力な視覚推論能力を備えています。

マルチモーダルTransformers多言語

GLM-4.1V-9B-Baseは智譜AIが開発したオープンソースのビジョン言語基礎モデルで、90億のパラメータを持ち、マルチモーダル推論能力に特化し、中英バイリンガルをサポートし、最大4K解像度の画像と64Kの文脈長を処理できます。

マルチモーダルTransformers多言語

MedGemma-4B-ITはGemma 3をベースにした医学分野のマルチモーダルモデルで、医学テキストと画像の理解をサポートし、医療AIアプリケーション開発に適しています。

マルチモーダルTransformers

Cosmos-Reason1はNVIDIAが開発した物理人工知能モデルで、物理常識を理解する能力を備え、長鎖思考推論により具身決定を生成できます。このモデルはマルチモーダル入力（テキスト + ビデオ/画像）をサポートし、出力はテキストで、ロボットや自動運転などの物理AI分野に適しています。

マルチモーダルTransformers英語

MedGemmaはGemma 3をベースに開発された医学マルチモーダルモデルで、医学テキストと画像の理解に特化し、医療AIアプリケーションの構築をサポートします。

マルチモーダルTransformers

MedGemmaは、Googleによって開発された医療シーン向けに最適化されたAIモデルシリーズで、4Bのマルチモーダル版と27Bの純テキスト版の2つのバージョンがあります。Gemma 3アーキテクチャに基づいており、医療テキストと画像理解タスクで優れた性能を発揮し、医療AIアプリケーション開発を効果的にサポートします。

マルチモーダルTransformers

MedGemmaはGoogleが開発した医療専用マルチモーダルAIモデルで、Gemma 3アーキテクチャを基に、医療テキストと画像理解に特化しています。

マルチモーダルTransformers

Llama 4シリーズのネイティブマルチモーダルAIモデルで、テキストと画像の理解をサポートし、混合エキスパートアーキテクチャを採用し、商業および研究シーンに適しています。

マルチモーダルTransformers多言語

Llama-4-ScoutはMetaが発表したLlama 4シリーズのモデルの1つで、混合エキスパート（MoE）アーキテクチャを採用し、ネイティブなマルチモーダルAIモデルで、テキストと画像の入力をサポートし、多言語テキスト理解とビジュアルタスクにおいて優れた性能を発揮します。このモデルは170億のパラメータと16のエキスパートを持ち、商用と研究用途に設計されています。

マルチモーダルSafetensors多言語

Gemma3-R1984-4BはGoogleのGemma-3-4Bモデルを基に構築された強力なエージェントAIプラットフォームで、マルチモーダルファイル処理と深層研究能力をサポートします。

マルチモーダルTransformers多言語

Llama 4シリーズはMetaが開発したネイティブマルチモーダルAIモデルで、ハイブリッドエキスパートアーキテクチャを採用し、テキストと画像のインタラクションをサポートし、様々な言語とビジュアルタスクで卓越した性能を発揮します。

マルチモーダルTransformers多言語

Llama 4シリーズはMetaが開発したネイティブマルチモーダルAIモデルで、テキストと画像のインタラクションをサポートし、ハイブリッドエキスパートアーキテクチャを採用しており、テキストと画像の理解において卓越した性能を発揮します。

マルチモーダルTransformers多言語

Llama 4 ScoutはMetaが開発したネイティブマルチモーダルAIモデルで、多言語テキストと画像の理解をサポートし、ハイブリッドエキスパートアーキテクチャを採用しており、テキストと画像の理解において業界をリードする性能を持っています。

マルチモーダルTransformers多言語

SpaceQwen2.5-VL-3B-Instruct は空間推論とエンボディドAIタスクに特化したマルチモーダル視覚言語モデルです。

マルチモーダルGguf英語

Llama 4シリーズはMetaが開発したマルチモーダルAIモデルで、テキストと画像のインタラクションをサポートし、混合専門家アーキテクチャ(MoE)を採用しており、テキストと画像理解の分野でリーディング性能を発揮します。

マルチモーダルTransformers多言語

Llama 4 ScoutはMetaが発表した170億パラメータのマルチモーダルAIモデルで、混合専門家アーキテクチャを採用し、12言語と画像理解をサポートします。

マルチモーダルTransformers多言語

Llama 4 MaverickはMetaが開発したネイティブマルチモーダルAIモデルで、ハイブリッドエキスパートアーキテクチャを採用し、テキストと画像の入力をサポートし、多言語のテキストとコードを出力します。

マルチモーダルTransformers多言語