GLM 4.6は、128GBメモリ+単GPU構成向けに最適化された量子化モデルで、IQ_K量子化方式を採用し、主流のllama.cppと比較して同じサイズでより良い品質と性能を提供します。このモデルはik_llama.cppと一緒に使用する必要があり、128GBデュアルチャネルDDR5メモリ、単CCD Ryzen 7000プロセッサ+単体3090グラフィックカードの構成で、テキスト生成速度は約1秒あたり6.8トークンに達します。

自然言語処理Gguf多言語

これはMistral 300Mアーキテクチャに基づく日本語事前学習言語モデルで、ウィキペディアとcc100データセットを使用して学習され、SentencePiece形態素解析器のバイトバックオフ技術を用いて未知語の生成を抑制しています。

自然言語処理Transformers

Pola Photo (Flux Dev) は、Flux.1-dev をベースにした画像生成モデルで、ポラロイドの即時撮影写真スタイルを持つリアルな画像を専門的に生成します。このモデルは Replicate プラットフォーム上でオープンソース素材を使用してトレーニングされ、CC 非商用表示ライセンス契約に従っています。

コンピュータビジョンDiffusers

AiGirl_IIは、black-forest-labs/FLUX.1-devをベースに構築されたテキストから画像を生成するモデルで、LoRA技術とDiffusersライブラリを組み合わせて、特定のスタイルの画像を生成するために特別に設計されています。このモデルはCC BY-NC-ND 4.0ライセンスを採用しており、非商用用途に適しています。

コンピュータビジョンDiffusers

Stable Diffusion 1.5をベースに構築された無料の文生図モデルで、複数のLoRAモジュールを通じて微調整され、生成された画像はCC0ライセンスに準拠し、署名不要で無料で商用利用できます。

コンピュータビジョンDiffusers英語

VideoMAEベースモデルをUCF101サブセットでファインチューニングしたビデオ分類モデル

コンピュータビジョンTransformers

OuteTTS-0.3-500M は多言語対応のテキスト音声変換モデルで、OuteAIによって開発され、cc-by-nc-4.0ライセンスで公開されています。

音声処理Gguf多言語

BigVGANベースのニューラルボコーダで、特定のメルスペクトル入力を使用してトレーニングされ、高品質なオーディオ生成タスクに適しています

CC-BY、CC-0などのライセンス画像を学習した日本語/英語テキストから動画を生成するモデル。日本経済産業省GENIACプログラムの支援で開発

マルチモーダルDiffusers多言語

ResNet50アーキテクチャに基づくCLIPスタイルの画像エンコーダー、CC12Mデータセットでトレーニングされ、グローバル平均プーリング(GAP)で特徴を抽出

コンピュータビジョンTransformers

CC12MデータセットでトレーニングされたResNet50アーキテクチャのCLIPモデル、ゼロショット画像分類タスクをサポート

コンピュータビジョンSafetensors

CC BY - NC 4.0は広く使われているクリエイティブ・コモンズのライセンスで、原作者を明記し、営利目的で使用しないことを条件に、ユーザーが作品を自由に共有、使用、改変することを許可します。

自然言語処理Transformers

Stable Diffusion 1.5アーキテクチャに基づくテキスト生成画像モデルで、CC0ライセンス画像やその他の自由利用可能なコンテンツを使用してトレーニングされています。

コンピュータビジョンDiffusersその他

これはCLIPベースのViT-B/32モデルで、データフィルタリングネットワーク(DFN)を使用してCC12M、CC3M、Shutterstock 15Mデータセットから訓練され、ゼロショット画像分類タスクに適しています。

マルチモーダルTransformers

ViViTアーキテクチャに基づくビデオ行動認識モデルで、CCTV監視シナリオ向けに微調整されており、行動認識タスクで優れた性能を発揮します。

コンピュータビジョンTransformers

ElanMTは、ELAN MITSUAプロジェクト/Abstract Engineによって開発された、リソース効率の良い英日翻訳モデルです。訓練リソースが比較的少ないにも関わらず、逆翻訳と新しく構築されたCC0コーパスを通じて、現在のオープンソース翻訳モデルと同等の性能を実現しています。トレーニング全体では、オープンライセンスのデータとウィキペディアの逆翻訳データのみを使用しており、データの純粋性が保証されています。

自然言語処理Transformers多言語

リアルタイムCCTV道路監視向けに設計された機械学習モデルで、道路交通流量推定と指標統計に使用

コンピュータビジョンTransformers英語

ResNet50アーキテクチャとCC12Mデータセットで訓練されたOpenCLIPモデルで、ゼロショット画像分類タスクをサポートします。

コンピュータビジョンSafetensors

クリエイティブ・コモンズ表示4.0国際ライセンス（CC BY 4.0）は、原著作者の表示を条件として、作品の自由な共有、使用、改変を許可するライセンスです。

自然言語処理Transformers

MetaCLIPはCommonCrawl(CC)25億データポイントでトレーニングされた大規模視覚-言語モデルで、CLIPのデータ選別方法を解明

マルチモーダルTransformers