LLaVA-OneVision-1.5は、完全にオープンソースの一連の大型マルチモーダルモデルで、ネイティブ解像度の画像でトレーニングすることで、低コストで高度な性能を実現しています。このモデルは、複数のマルチモーダルベンチマークテストで卓越した性能を発揮し、Qwen2.5-VLなどの競合モデルを上回っています。

マルチモーダルTransformers

Dimpleは自己回帰と拡散トレーニングのパラダイムを組み合わせた最初の離散拡散マルチモーダル大規模言語モデル（DMLLM）であり、LLaVA-NEXTと同じデータセットでトレーニング後、LLaVA-NEXT-7Bを3.9%上回りました。

マルチモーダルTransformers英語

このモデルはllava-hf/llava-1.5-7b-hfから変換されたGGUF形式モデルで、画像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英語

Spatial-LLaVA-7BはLLaVAモデルを微調整したマルチモーダルモデルで、空間関係推論能力の向上に特化しており、マルチモーダル研究やチャットボット開発に適しています。

マルチモーダルSafetensors

Table LLaVA 7Bはオープンソースのマルチモーダルチャットボットで、表画像の理解に特化して設計されており、表の質問応答、表のセル記述、構造理解などの様々な表関連タスクを実行できます。このモデルはLLaVA-v1.5アーキテクチャに基づいており、CLIP-ViT-L-336pxを視覚エンコーダーとして、Vicuna-v1.5-7Bを基礎となる大規模言語モデルとして使用しています。

マルチモーダルSafetensors英語

このプロジェクトは、llava-1.5-13b-hfモデルの重み/行列量子化バージョンを提供し、さまざまな量子化タイプが選択可能で、異なるシナリオでの使用ニーズに対応します。

マルチモーダルTransformers英語

SESAMEはオープンソースのマルチモーダルモデルで、LLaVAモデルを基に、さまざまな命令ベースの画像位置特定（分割）データで微調整されています。

マルチモーダルTransformers

これはllava-hf/llava-1.5-13b-hfモデルの静的量子化バージョンで、複数の量子化タイプを提供し、ユーザーがこのビジュアル言語モデルをより効率的に使用できるように支援します。モデルは画像理解とテキスト生成タスクをサポートしています。

マルチモーダルTransformers英語

ViCA-7Bは屋内動画環境における視覚空間推論に特化してファインチューニングされた視覚言語モデルで、LLaVA-Video-7B-Qwen2アーキテクチャを基盤とし、ViCA-322Kデータセットで訓練され、構造化空間アノテーションと指示ベースの複雑な推論タスクを重視しています。

マルチモーダルTransformers英語

lmms-lab/llava-onevision-qwen2-7b-ovモデルを基にファインチューニングしたバージョンで、動画テキストからテキストへの変換タスクをサポートします。

マルチモーダルSafetensors英語

マイクロソフトLLaVA-Med v1.5 (Mistral 7B)アーキテクチャを基に、トルコ語対応の医学画像視覚QA(VQA)向けにカスタマイズ

マルチモーダルTransformers多言語

LLaVActionは動作認識向けのマルチモーダル大規模言語モデル評価・トレーニングフレームワークで、Qwen2言語モデルアーキテクチャを基盤とし、一人称視点の動画理解をサポートします。

マルチモーダルTransformers英語

LLaVActionは動作認識のためのマルチモーダル大規模言語モデルで、Qwen2言語モデルを基に、EPIC-KITCHENS-100-MQAデータセットでトレーニングされています。

マルチモーダルTransformers英語

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

このモデルはTransformersライブラリを基にしたモデルで、具体的な用途や機能については追加情報が必要です。

自然言語処理Transformers

LLaVA-Med v1.5 Mistral-7Bをファインチューニングしたマルチモーダル基盤モデルで、胸部X線画像の分析と肺炎検出に最適化されています

マルチモーダルTransformers

LLaVA-1.5-7Bを微調整したマルチモーダル基礎モデルで、植物葉の病害検出と解釈に最適化されています。

マルチモーダルTransformers

LLaVA-Medは生物医学アプリケーション向けに最適化されたオープンソースの大規模ビジュアル言語モデルで、LLaVAフレームワークを基盤とし、カリキュラム学習で強化され、オープンエンド生物医学QAタスク向けにファインチューニングされています。

マルチモーダルTransformers

LLaVE-7BはLLaVA-OneVision-7Bモデルを基にした70億パラメータのマルチモーダル埋め込みモデルで、テキスト、画像、複数画像、動画の埋め込み表現能力を備えています。

マルチモーダルTransformers英語

LLaVEはLLaVA-OneVision-0.5Bモデルを基にしたマルチモーダル埋め込みモデルで、パラメータ規模は0.5B、テキスト、画像、複数画像、動画の埋め込みが可能です。

マルチモーダルTransformers英語