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

米モデルのエンボディメントモデル（MiMo-Embodied）は、強力なクロスエンボディメント視覚言語モデルであり、自動運転とエンボディメントAIタスクの両方で卓越した性能を発揮します。これは、この2つの重要な分野を結合した最初のオープンソースの視覚言語モデルであり、動的な物理環境における理解と推論能力を大幅に向上させました。

マルチモーダルTransformers

ERNIE-4.5-VL-28B-A3B-Thinking AWQ - INT8は、百度のERNIE-4.5アーキテクチャに基づくマルチモーダル大規模言語モデルで、AWQ量子化技術を通じて8ビット精度を実現し、高性能を維持しながらメモリ要件を大幅に削減します。このモデルは、視覚推論、STEM問題解決、画像分析などの分野で優れた性能を発揮し、強力なマルチモーダル理解と推論能力を備えています。

マルチモーダルTransformers多言語

これはQwen3-VL-30B-A3B-Instructモデルを変換したGGUF形式のバージョンで、llama.cpp用に最適化されています。このモデルは300億パラメータのマルチモーダル視覚言語モデルで、画像理解とテキスト生成タスクをサポートします。

マルチモーダルGguf

Qwen3-VLは通義シリーズの中で最も強力な視覚言語モデルで、卓越したテキスト理解と生成能力、深い視覚知覚と推論能力、長いコンテキストのサポート、強力な空間およびビデオ動的理解能力、そして優れたエージェント対話能力を備えています。

マルチモーダルTransformers

Qwen3-VL-2B-ThinkingはQwenによって開発された視覚言語モデルで、2Bのパラメータ規模を持ち、MLXを使用して8ビット量子化が行われ、Apple Siliconチップに特化した最適化が施されています。このモデルは画像とテキストのマルチモーダル理解と生成タスクをサポートしています。

マルチモーダルTransformers

Qwen3-VLは通義シリーズで最も強力な視覚言語モデルで、優れたテキスト理解と生成能力、深い視覚感知と推論能力、長文脈サポート、強力な空間およびビデオ動的理解能力、ならびにエージェントインタラクション能力を備えています。このリポジトリはGGUF形式の重みを提供し、CPU、GPUなどのデバイスでの効率的な推論をサポートします。

マルチモーダルTransformers

Next 12Bは、Gemma 3に基づく120億パラメータのマルチモーダル視覚言語モデルで、トルコで最も先進的なオープンソースの視覚言語モデルです。このモデルは、テキストと画像の理解において優れた性能を発揮し、高度な推論とコンテキスト感知型のマルチモーダル出力能力を備えており、特に専門レベルのトルコ語サポートを提供し、同時に幅広い多言語能力も備えています。

マルチモーダルTransformers多言語

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

Qwen3-VL-32B-Instruct AWQ - INT4は、Qwen3-VL-32B-Instructベースモデルの4ビット量子化バージョンで、AWQ量子化方法を採用し、性能を維持しながら、ストレージと計算リソースの要件を大幅に削減します。これはQwenシリーズで最も強力な視覚言語モデルで、テキスト理解、視覚知覚、文脈長などの面で全面的にアップグレードされています。

マルチモーダルTransformers

Qwen3-VLは通義シリーズで最も強力な視覚言語モデルで、卓越したテキスト理解と生成能力、深い視覚知覚と推論能力、長いコンテキストのサポート、強化された空間とビデオ理解能力、そして強力なインテリジェントエージェント対話能力を備えています。このモデルは2Bパラメータの思考版で、推論能力を特別に強化しています。

マルチモーダルTransformers

Qwen3-VL-32B-Thinking-FP8はQwenシリーズで最も強力な視覚言語モデルのFP8量子化バージョンで、ブロックサイズ128の細粒度fp8量子化技術を採用し、性能指標は元のBF16モデルとほぼ同じです。このモデルは、優れたテキスト理解と生成能力、深い視覚認識と推論能力、長文脈サポート、強力なエージェント対話能力を備えています。

マルチモーダルSafetensors

Qwen3-VL-8B-Thinking-MNNは、Qwen3-VL-8B-ThinkingからエクスポートされたMNNモデルの4ビット量子化バージョンで、テキスト生成とチャットシーンに最適化され、視覚言語理解タスクをサポートします。

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

Qwen3-VLは通義シリーズで最も強力な視覚言語モデルで、全方位的に総合的にアップグレードされ、卓越したテキスト理解と生成能力、深い視覚感知と推論能力、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、そして優れたインテリジェントエージェント対話能力を備えています。

マルチモーダルSafetensors

これはQwen3-VL-4B-InstructモデルのMLX形式の8ビット量子化バージョンで、mlx-communityによって変換されました。このモデルは40億パラメータのマルチモーダル視覚言語モデルで、画像理解とテキスト生成タスクをサポートし、命令追従シナリオ向けに最適化されています。

マルチモーダルMlx

Qwen3-VL-8B-InstructはQwenによって開発された視覚言語モデルで、MLX量子化最適化を経て、Apple Siliconデバイスに特化しています。このモデルは画像とテキストのマルチモーダル入力をサポートし、画像に関連するテキスト内容を理解し生成することができます。

マルチモーダルMlx

これはQwen3-VL-30B-A3B-Thinkingモデルを変換したMLX形式の視覚言語モデルで、画像理解とマルチモーダル対話をサポートし、bf16精度で最適化されています。

マルチモーダルMlx

これはQwen3-VL-30B-A3B-Instructモデルの4ビット量子化MLX形式のバージョンで、mlx-communityによって変換および維持されています。このモデルは300億パラメータのマルチモーダル視覚言語モデルで、画像理解とテキスト生成タスクをサポートします。

マルチモーダルMlx

これはQwen3-VL-30B-A3B-InstructモデルのLlamaCPP量子化バージョンで、先進的な量子化技術によりモデル性能を最適化し、さまざまなハードウェア環境でより効率的に動作するようにしています。マルチモーダル視覚言語理解タスクをサポートします。

マルチモーダルGguf