Uni-MoE 2.0-Omniは、ライチ科技（Lychee）が発表した完全オープンソースの全モーダリティモデルで、全モーダリティ3D RoPEと動的容量エキスパート混合アーキテクチャを採用し、言語を中心としたマルチモーダリティ理解、推論、生成能力を大幅に向上させました。このバージョンには、全モーダリティ理解とオーディオおよび画像生成能力が統合されています。

マルチモーダルTransformers多言語

TRELLIS Text XLは大型の3D生成モデルで、TRELLISのテキスト条件付きバージョンで、モデルサイズはXLです。このモデルは論文「Structured 3D Latents for Scalable and Versatile 3D Generation」に基づいて提案され、テキスト記述に基づいて高品質の3Dコンテンツを生成することができます。

animat3d_style_wan-loraは、OstrisによるAIツールキットを基にトレーニングされたLoRAモデルで、テキストからビデオへの生成に特化しており、画像生成に独特な3Dアニメーションスタイルの効果をもたらします。このモデルはWan2.2 - T2V - A14Bベースモデルを基に微調整されており、複数の主流のAIプラットフォームで使用できます。

コンピュータビジョンDiffusers

MapAnythingはエンドツーエンドでトレーニングされたTransformerモデルで、複数のモードを入力として受け取り、シーンの分解測度3D幾何構造を直接回帰することができます。このモデルは、多画像SfM、多視点立体視、単眼測度深度推定など、12種類以上の異なる3D再構築タスクをサポートしています。

コンピュータビジョンSafetensors英語

FLUX.1-Layout-ControlNetはSpatialGenフレームワークの重要なコンポーネントで、セマンティック画像条件付きのControlNetモデルです。これはテキスト記述に基づいて2D画像を生成することができ、同時に入力されたセマンティック画像のレイアウト制約を厳密に遵守し、主に3D室内シーン合成に使用されます。

マルチモーダルDiffusers

STream3Rは、因果Transformerに基づく拡張可能なシーケンス3D再構築モデルであり、点群図予測をデコーダのみのTransformer問題として再定義します。ストリーミング処理フレームワークを導入し、因果アテンションを利用して画像シーケンスを効率的に処理し、従来の方法がしばしば失敗する動的シーンを含む、様々な挑戦的なシーンにうまく汎化できます。

コンピュータビジョンSafetensors

ESM - 2はNVIDIAがTransformerEngineを基に最適化したタンパク質言語モデルで、アミノ酸配列からタンパク質の3D構造を予測できます。このモデルはマスク言語モデリングの目標で訓練され、NVIDIA GPU上でより高速な訓練と推論速度を持ちます。

科学計算Transformers

これはLoRAモデルで、通常の画像を黒色背景と3D視点の金属スタイルの画像に変換できます。

コンピュータビジョンDiffusers多言語

AnySplatは、高度な3Dガウス散点レンダリングモデルで、異なる視点の画像から効率的に高品質の3Dシーンを生成することができます。このモデルは、高速推論能力と良好な汎化性能を持ち、3D再構築とレンダリングに革新的な解決策を提供します。

コンピュータビジョンSafetensors

混元3D - 2は、画像から3D、テキストから3Dへの変換をサポートするツールで、3Dコンテンツ生成に強力な解決策を提供します。

コンピュータビジョンDiffusers多言語

TRELLISは画像条件に基づく大規模3D生成モデルで、構造化された3D潜在変数を使用してスケーラブルで多機能な3D生成を実現します。

TRELLISのテキスト条件付きバージョンで、XL大規模モデルを採用した強力な3D生成モデルです。

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

混元3D 2.0は、高解像度のテクスチャ付き3Dアセットを生成するための先進的な大規模3D合成システムです。

コンピュータビジョンDiffusers多言語

InternVL3-2B-Instructは先進的なマルチモーダル大規模言語モデルで、前代と比べてより優れたマルチモーダル感知と推論能力を持ち、ツール使用、GUIエージェント、産業画像分析、3Dビジョン感知などの分野を拡張しています。原生のマルチモーダル事前学習方法を採用し、言語学習とビジョン学習を単一の事前学習段階に統合しています。

マルチモーダルTransformersその他

LGMはマルチビュー拡散モデルを統合した画像から3Dへのワークフローで、単一画像から高品質な3Dコンテンツを生成できます。

コンピュータビジョンDiffusers

InternVL3-14B-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視覚知覚など様々なタスクをサポートします。

マルチモーダルTransformersmultilingual

InternVL3 - 78B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認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、3D視覚認知などの分野で優れた性能を発揮し、全体的なテキスト性能も非常に高い。

マルチモーダルTransformersその他

InternVL3-14Bは、先進的なマルチモーダル大規模言語モデルで、InternVL 2.5をベースにマルチモーダル感知と推論能力を大幅に向上させ、ツール使用、GUIエージェント、工業画像分析、3D視覚感知などの分野での応用を拡大しています。

マルチモーダルTransformersその他

TRELLIS画像条件バージョンは、画像から3Dコンテンツを生成できる大規模3D生成モデルです。