Llama-3.1-8B-Instructベースの多言語音声テキスト変換モデル、40以上の言語処理をサポート

自然言語処理Transformers多言語

meta-llama/Llama-3.2-1B-Instructの重みを事前ロードした多言語テキスト変換モデル

自然言語処理Transformers多言語

MetaのLlama-3.3-70B-Instructモデルを基に構築された多言語テキスト処理モデルで、音声からテキストへの変換タスクをサポート

自然言語処理Transformers多言語

InternVL3-38Bは、高度なマルチモーダル大規模言語モデルであり、マルチモーダル感知や推論などの能力において卓越した性能を発揮し、前代のモデルと比較して著しい向上が見られます。また、ツール使用やGUIエージェントなどのマルチモーダル能力も拡張されています。

マルチモーダルTransformersその他

InternVL3-8B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感知と推論能力を備え、ツール使用、GUIエージェント、産業用画像分析などの多くの分野で優れた性能を発揮します。

マルチモーダルTransformersその他

InternVL3-1BはInternVL3シリーズの10億パラメータ規模のマルチモーダル大規模言語モデルで、InternViTビジョンエンコーダーとQwen2.5言語モデルを統合し、優れたマルチモーダル知覚と推論能力を備えています。

マルチモーダルTransformersその他

UltravoxはLlama3.1-8B-InstructとWhisper-smallをベースとしたマルチモーダル音声大規模言語モデルで、音声とテキスト入力を同時に処理できます。

マルチモーダルTransformers英語

InternVideo2.5は、長く豊富な文脈（LRC）モデリングを強化したビデオマルチモーダル大規模言語モデル（MLLM）で、InternVL2.5上に構築されています。

マルチモーダルTransformers英語

Qwen2-VL-2B-Instruct はマルチモーダル視覚言語モデルで、画像テキストからテキストへのタスクをサポートします。

マルチモーダルTransformers英語

Qwen2-VL-72B-Instruct はマルチモーダル視覚言語モデルで、画像とテキストのインタラクションをサポートし、複雑な視覚言語タスクに適しています。

マルチモーダルTransformers英語

MiniCPM-V 2.6は強力なマルチモーダル大規模言語モデルで、スマートフォンなどのデバイスで高効率に動作し、単一画像、複数画像、動画の理解タスクをサポートします。

マルチモーダルTransformersその他

Metaが発表したカメレオンシリーズ7Bパラメータ規模のマルチモーダルモデルで、画像テキストからテキストへのタスクをサポート

自然言語処理Safetensors

LLaVA-NeXT-Video-7B-hf は動画ベースのマルチモーダルモデルで、動画とテキスト入力を処理し、テキスト出力を生成できます。

マルチモーダルSafetensors英語

Phi-3.5-visionは、軽量で先進的なオープンソースのマルチモーダルモデルで、128Kのコンテキスト長をサポートし、高品質で推論に富んだテキストとビジュアルデータの処理に特化しています。

マルチモーダルTransformersその他

Qwen2-VL-7B-InstructをファインチューニングしたドキュメントOCRモデルで、多言語ドキュメント認識とメタデータ抽出をサポート

マルチモーダルTransformers英語

Meta Llama 3 70BはMetaが開発した大規模言語モデルで、700億のパラメータを持ち、8kのコンテキスト長をサポートし、英語のビジネスや研究用途に適しています。

自然言語処理Transformers英語

C4AI Command R+ は、オープンウェイトの1040億パラメータ研究モデルで、検索拡張生成（RAG）や複雑なタスクを自動化するツール使用などの高度な機能を備えています。

自然言語処理Transformers多言語

FriendliAIによってFP8精度に量子化されたMistral-7B-Instruct-v0.2モデルで、高精度を維持しながら推論効率を大幅に向上させています。

自然言語処理Transformers