Ming-UniVisionは多モーダル大規模言語モデルで、初めて連続ビジュアル表現を次のトークン予測フレームワークに統合し、単一の自己回帰パラダイムの下でビジュアルと言語を統一し、離散量子化や特定モーダルのヘッドを必要としません。このモデルは連合画像理解と生成をサポートし、ビジュアル言語トレーニングでの収束速度がより速く、多輪コンテキストビジュアルタスクもサポートします。

マルチモーダルTransformers多言語

Sunflower-32BはSunbird AIによって開発された多言語大規模言語モデルで、ウガンダ地域の言語に特化して最適化されています。Qwen 3 - 32Bアーキテクチャに基づいて構築され、31種類のウガンダ言語と英語の翻訳およびテキスト生成タスクをサポートし、ウガンダ言語の翻訳精度で優れた結果を示しています。

自然言語処理Transformers多言語

Sunflower-14Bは、Sunbird AIによって開発された多言語大規模言語モデルで、ウガンダの言語に特化して設計されています。このモデルはQwen 3-14Bアーキテクチャに基づいて構築され、31種類のウガンダ語と英語の翻訳およびテキスト生成タスクをサポートし、複数の評価で優れた成績を収めています。

自然言語処理Transformers多言語

GLM-4.1V-9B-Thinkingは、GLM-4-9B-0414ベースモデルに基づくオープンソースのビジュアル言語モデルで、ビジュアル言語モデルの推論能力の上限を専門的に探索しています。「思考パラダイム」を導入し、強化学習を利用して能力を大幅に強化し、10BパラメータのVLMの中で卓越した性能を発揮し、多くのベンチマークタスクでより大きなパラメータのモデルに匹敵するか、それを上回っています。

マルチモーダルTransformers多言語

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

霊枢は医療分野の最先端の多モーダル大規模言語モデルで、医療ビジュアル質問応答とレポート生成タスクで卓越した性能を発揮します。

マルチモーダルTransformers

霊枢は医療分野で卓越した性能を発揮する多モーダル大規模言語モデルで、医学画像とテキスト情報を効果的に処理でき、医療質問応答とレポート生成タスクでトップレベルの性能を示します。

マルチモーダルTransformers

InternVL3-78B-Instructは、マルチモーダル知覚、推論、言語処理などの分野で優れた性能を発揮する先進的なマルチモーダル大規模言語モデルです。このモデルは、ネイティブマルチモーダル事前学習手法を用いて、視覚と言語の学習を統一した学習段階に統合し、ツールの使用、GUIエージェント、産業用画像分析、3D視覚知覚などの多くの分野で卓越した能力を発揮します。

マルチモーダルTransformersその他

Qwen2.5-VL-72B-Instructのマルチモーダル大規模言語モデル量子化バージョン、画像テキストからテキストタスクをサポート、高精度から低メモリ要求までの多様な量子化レベルに対応。

マルチモーダルGguf英語

通義千問が提供するマルチモーダル大規模モデルで、画像とテキストの生成、および128kの長コンテキスト処理をサポートし、多言語能力を備えています。

マルチモーダルGguf英語

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

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

GemmaはGoogleが提供する軽量オープンモデルシリーズで、Geminiモデル技術を基に構築されています。Gemma 3はマルチモーダルモデルで、テキストと画像の入力をサポートし、テキスト出力を生成します。128Kの大規模コンテキストウィンドウと多言語能力を備えています。

マルチモーダルTransformers

InternVL3-9BはInternVL3シリーズのマルチモーダル大規模言語モデルで、優れたマルチモーダル知覚と推論能力を備え、ツール使用、GUIエージェント、産業画像分析、3D視覚知覚など多様な応用シーンをサポートします。

マルチモーダルTransformersその他

InternVL3-8B-Instruct は先進的なマルチモーダル大規模言語モデル（MLLM）で、優れたマルチモーダル知覚と推論能力を示し、ツール使用、GUIエージェント、産業画像分析、3D視覚知覚など多様な機能をサポートします。

マルチモーダルTransformersその他

InternVL3-8Bは、高度なマルチモーダル大規模言語モデルで、卓越したマルチモーダル感知と推論能力を備え、ツール使用、GUIエージェント、産業用画像分析などの多くの分野で優れた性能を発揮します。

マルチモーダルTransformersその他

General-Reasonerは大規模言語モデルの訓練パラダイムであり、数学、プログラミング、物理、化学、金融、人文など様々な分野におけるモデルの推論能力を総合的に強化することを目的としています。このモデルはQwen2.5 - 14Bをベースに訓練され、多様な推論データとモデルベースの検証器を通じて、異分野の推論性能を向上させています。

自然言語処理Transformers英語

Gemma 3はGoogleが提供する軽量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サポートし、テキスト出力を生成可能。128Kの大規模コンテキストウィンドウと多言語能力を備えています。

マルチモーダルTransformers

Ovis2-1Bはマルチモーダル大規模言語モデル（MLLM）Ovisシリーズの最新メンバーで、視覚とテキストの埋め込み構造のアライメントに焦点を当て、小型モデルながら高性能、強化された推論能力、動画と複数画像処理、多言語OCR強化などの特徴を備えています。

マルチモーダルTransformers多言語

Condor-Opus-14B-Exp は Qwen 2.5 14B モーダルアーキテクチャに基づいて設計された大規模言語モデルで、推論能力の強化に重点を置き、多言語と長いコンテキスト処理をサポートします。

自然言語処理Transformers多言語