Z-Image-Turboは、FP8 E5M2とE4M3FN形式で量子化された画像処理モデルで、元のTongyi-MAI/Z-Image-Turboモデルを最適化し、性能を維持しながらモデルサイズと推論リソースの要件を大幅に削減します。

マルチモーダルDiffusers英語

Qwen3-VL-4B-Instructはアリババが開発した40億パラメータの視覚言語モデルで、Qwen3アーキテクチャに基づいて開発され、マルチモーダル理解と対話タスクをサポートします。このモデルは強力な画像理解とテキスト生成能力を備え、複雑な視覚言語対話シーンを処理することができます。

マルチモーダルTransformers

SAM 3はMetaが発表した第3世代のプロンプト可能な分割基礎モデルで、画像とビデオの分割タスクを統一的にサポートします。前代のSAM 2と比べて、オープンボキャブラリ概念分割能力を導入し、大量のテキストプロンプトを処理でき、SA - COベンチマークテストで人間の性能の75 - 80%に達します。

コンピュータビジョンTransformers英語

QwenEdit2509は、画像の色彩処理に特化した低ランク適応型（LoRA）モデルです。画像の飽和度を下げ、コントラストを低下させ、カメラのログプロファイルに似た扁平で未グレーディングの外観を作り出すと同時に、ハイライトとシャドウの細部を保持します。

コンピュータビジョンDiffusers英語

Sarashina2.2-Vision-3BはSB Intuitionsによって訓練された日本の大型ビジュアル言語モデルで、Sarashina2.2-3B-InstructとSigLIP画像エンコーダーに基づいて構築され、強力な画像からテキストへの変換能力を備え、日本語と英語の多モーダル処理をサポートします。

マルチモーダルTransformers多言語

Chandraは高精度のOCRモデルで、画像やPDFをMarkdown、HTML、JSONなどの構造化出力に変換することができ、詳細なレイアウト情報を保持します。40種類以上の言語をサポートし、複雑なドキュメント要素の処理に長けています。

マルチモーダルTransformers英語

Qwen-Image-Edit-2509に基づく画像超解像LoRAモデルで、低品質画像の解像度と視覚効果を向上させることに特化しています。このモデルは写真スタイルの画像で優れた性能を発揮し、さまざまな画像劣化問題を処理することができます。

コンピュータビジョンDiffusers

これはMistralアーキテクチャに基づく画像テキストをテキストに変換する量子化モデルで、パラメータ規模は24Bで、指令追従タスクに特化して最適化訓練され、マルチモーダル入力処理をサポートしています。

マルチモーダルGguf

これは慧慧Qwen3-VL-8B思考消去モデルの量子化バージョンで、Qwen3-VL-8Bアーキテクチャに基づいて、画像テキスト変換タスクに特化して最適化および量子化処理が行われ、llama.cppツールを通じて効率的に実行できます。

マルチモーダルGguf

慧慧Qwen3-VL-8B指令アブレーションモデルの量子化バージョンで、画像テキストからテキストへの変換タスクに特化しています。このモデルはQwen3-VL-8Bアーキテクチャに基づいており、指令アブレーション最適化と量子化処理を行っており、性能を維持しながら計算リソースの要求を低減できます。

マルチモーダルGguf

慧慧Qwen3-VL-4B思考消除モデルの量子化バージョンで、Qwen3-VL-4Bモデルをベースに最適化されており、思考チェーン推論プロセスを排除するように特別に設計されています。最新のllama.cppと組み合わせて使用でき、効率的な画像テキストからテキストへの処理能力を提供します。

マルチモーダルGguf

これはHuihui-Qwen3-VL-4B-Instruct-abliteratedモデルに基づく量子化バージョンで、画像テキストからテキストへの変換タスクに特化しており、量子化処理によってモデルの性能が最適化され、マルチモーダルアプリケーションをサポートします。

マルチモーダルGguf

Chandra-OCR量子化モデルは、元のChandraモデルを量子化処理したバージョンで、画像をテキストに変換するタスクに特化しており、最新のllama.cppと併用できます。

コンピュータビジョンGguf

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

LightOnOCR-1B-1025の量子化バージョンで、画像からテキストへの変換タスクに特化しており、文書理解やビジュアル言語処理などの分野で広く利用されています。このモデルは複数の欧州言語をサポートし、OCR、PDF処理、表認識などのシナリオに適しています。

マルチモーダルGguf多言語

Nanonets-OCR2-1.5B-exp GGUFは強力な画像からMarkdownへのOCRモデルで、ドキュメントを構造化されたMarkdown形式に変換し、インテリジェントコンテンツ認識とセマンティックマーキングを行い、多言語のドキュメント処理をサポートします。

マルチモーダルTransformersその他

これは修復された画像テキストをテキストに変換するモデルで、元のモデルが最新のTransformersバージョンで推論に失敗する問題を解決しました。このモデルは画像認識とテキスト生成タスクに特化しており、マルチモーダル入力処理をサポートしています。

マルチモーダルTransformers英語

olmOCR-2-7B-1025はAllenAIによって開発された高品質のOCR視覚言語モデルで、文書や画像内の文字認識タスクを専門に処理するためのものです。このリポジトリでは、Q8_0量子化方式を用いたGGUF量子化バージョンを提供しており、モデルサイズを小さくしながらも優れた精度を維持しています。

マルチモーダルGguf

本プロジェクトは、Qwen3-VL-235B-A22B-Thinkingモデルに対してMXFP4_MOE量子化処理を行い、より効率的な画像テキストからテキストへの変換能力を提供することを目的としています。このバージョンはunlothから提供され、コンテキストサイズを256kから1Mに拡張し、特定の量子化技術を通じてモデルの異なるシナリオでの性能を最適化しています。

マルチモーダルGguf

Qwen3-VL-30B-A3B-InstructはQwen3-VL-30Bモデルに基づくマルチモーダルビジュアル言語モデルで、画像とテキストの統合理解と生成タスクをサポートします。このモデルは先進的なビジュアル言語融合アーキテクチャを採用しており、複雑なマルチモーダル推論タスクを処理することができます。

マルチモーダルGguf