UltraFluxは、Fluxベースの拡散トランスフォーマーで、ネイティブ4Kのテキストから画像への生成に特化しています。データ、アーキテクチャ、損失関数の協調設計により、様々なアスペクト比で一貫した画像品質を維持することができます。

コンピュータビジョンDiffusers英語

これはLoRAとDiffusers技術に基づくテキストから画像生成モデルで、特定のトリガーワード「Put it here」を使用して高品質な画像を生成します。このモデルはFLUX.1 - Kontext - dev基礎モデルに基づいて構築され、自動光線調整と4K高画質出力をサポートしています。

コンピュータビジョンDiffusers

GLM-4.1V-9B-Thinkingは、GLM-4-9B-0414ベースモデルをベースに開発された視覚言語推論モデルで、画像テキストからテキストへの変換に特化し、複雑な多モーダルタスクで優れた性能を発揮し、64Kの長文脈と4K解像度の画像処理をサポートし、中国語と英語のバイリンガルサポートを提供します。

マルチモーダル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、複雑なタスクにおける推論能力の向上に特化しており、64kの文脈長と4Kの画像解像度をサポートします。

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

LoRAベースのテキスト生成画像拡散モデルで、高品質・高解像度のアニメスタイルキャラクター画像を生成することに特化し、ゴシック、和風、サイバー要素を融合させています。

コンピュータビジョンDiffusers

XL 1.0+Flux1D+SD1.5ベースモデルでトレーニングされたLoRA微調整モデルで、超ハイクオリティな4K映画級の画質と極致のディテールを持つリアリスティックな肌テクスチャスタイルの画像生成に特化しています。

コンピュータビジョンDiffusers

LLaVE-2BはAquila-VL-2Bモデルを基にした20億パラメータのマルチモーダル埋め込みモデルで、4Kトークンのコンテキストウィンドウを持ち、テキスト、画像、複数画像、動画の埋め込み表現をサポートします。

マルチモーダルTransformers英語

Sanaは4K解像度の画像を効率的に生成するテキスト生成画像フレームワークで、高解像度・高品質かつテキストと画像の整合性が強い画像を迅速に合成でき、ノートパソコンのGPU上に展開可能です。

Prompt Depth Anythingは、高解像度かつ精密なメトリック深度推定手法で、プロンプティングにより深度基盤モデルの潜在能力を解放し、4K解像度までの精密なメトリック深度を生成可能です。

コンピュータビジョンTransformers

Granite-3.1-1B-A400M-BaseはIBMが開発した言語モデルで、漸進的トレーニング戦略を通じて文脈長を4Kから128Kに拡張し、多言語と様々なテキスト処理タスクをサポートしています。

自然言語処理Transformers

Granite-8B-Code-Base-128KはIBM Researchによって開発されたコード生成モデルで、漸進的なトレーニング戦略を通じてコンテキスト長を4Kから128Kに拡張し、116種類のプログラミング言語をサポートし、コード生成、解釈、修正などの様々なソフトウェアエンジニアリングタスクを処理することができます。

自然言語処理Transformersその他

ドルフィン2.9.2 Phi 3ミディアムモデルは、マイクロソフトのPhi - 3 - Medium - Instruct - 4kをベースに微調整された大規模言語モデルで、エリック・ハートフォードらによって精心に訓練されました。このモデルは、強力な指令処理、対話交流、コード作成能力を備え、関数呼び出しと初期的なエージェント能力をサポートし、MITライセンスで公開されています。

自然言語処理Transformers英語

Phi-3-Medium-4K-Instructは140億パラメータの軽量オープンソースモデルで、高品質な推論能力に特化し、4Kのコンテキスト長をサポート、英語環境での商業・研究用途に適しています。

自然言語処理Transformersその他

Phi-3 4k Instructは、リソース要件を低減するために4ビット量子化処理された軽量ながら強力な言語モデルです。

自然言語処理Transformers

Phi-3 Miniは軽量で最先端のオープンソースモデルで、高品質かつ高推論密度のデータに特化し、4Kのコンテキスト長をサポートします。

自然言語処理Transformers

PixArt-ΣはTransformerアーキテクチャに基づく潜在拡散モデルで、テキストプロンプトから直接高解像度画像（最大4K）を生成できます。

コンピュータビジョンDiffusers

InternLM-XComposer2-4KHDはInternLM2を基にした汎用視覚言語大モデルで、4K解像度の画像理解能力を備えています。

マルチモーダルTransformers

intfloat/multilingual-e5-smallの局所スパースグローバル版で、約4kトークンをサポートする多言語テキスト埋め込みモデル

自然言語処理Transformers多言語

Llama 2はMetaがオープンソース化した130億パラメータの対話最適化大規模言語モデルで、RLHFを用いて人間の嗜好にアライメントされ、4kのコンテキスト長をサポート

自然言語処理Transformers英語