テンセントの混元は、UCLAや香港中文大学などと協力し、マルチモーダル大規模言語モデル（MLLMs）の「受動的理解」から「能動的推論」への進化を促進するため、マルチモーダル検索エージェントをオープンソース化しました。これまで、高品質データ、自動軌跡合成パス、訓練レシピの欠如により、トップエージェントの再現が困難でした。今回のオープンソース化は、この停滞を打破し、コミュニティの発展を目指します。....
ARグラスがMLLM-SCフレームワークで10ミリ秒以内に意味的注意マップを生成し、重要目標を優先的にマーク。意味エンジンがマルチモーダルデータを選別し、6Gネットワークの30%帯域幅を解放。エッジサーバーと連携して応答効率を向上。....
昆侖万維のSkyReelsチームは、世界初の拡散強制（Diffusion-forcing）フレームワークを使用した無限の長さの映画生成モデルであるSkyReels-V2を正式にリリースし、オープンソース化しました。このモデルは、マルチモーダル大規模言語モデル（MLLM）、多段階事前学習、強化学習、拡散強制フレームワークを組み合わせることで協調的な最適化を実現し、ビデオ生成技術が新たな段階に入ったことを示しています。
OpenGVLabは、InternVL3シリーズモデルのオープンソースリリースを発表しました。これは、マルチモーダル大規模言語モデル（MLLM）分野における新たなマイルストーンとなります。InternVL3シリーズは、1Bから78Bまでの7つのサイズからなるモデル群で、テキスト、画像、ビデオなどの様々な情報を同時に処理でき、優れた総合性能を示しています。
MiniCPM-o 2.6：GPT-4oレベルの性能を備え、スマートフォン上でビジュアル、音声、マルチモーダルライブストリーミングを実現するMLLMです。
多粒度視覚指示微調整による革新的なMLLM
包括的なMLLM評価を提供
正確な引用と位置特定を実現するエンドツーエンドMLLM
Alibaba
$2
入力トークン/百万
-
出力トークン/百万
128
コンテキスト長
Tencent
$6
$18
256
Baidu
unsloth
InternVL3-38B-Instruct は先進的なマルチモーダル大規模言語モデル（MLLM）で、卓越した全体的な性能と強力なマルチモーダル知覚・推論能力を備えています。
InternVL3-8B-Instruct は先進的なマルチモーダル大規模言語モデル（MLLM）で、卓越した全体的な性能と強力なマルチモーダル知覚・推論能力を備えています。
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。
ByteDance-Seed
SAILは視覚と言語のために設計された単一Transformerモデルで、統一されたマルチモーダル大規模言語モデル（MLLM）として、単一アーキテクチャ内で元のピクセルエンコーディングと言語デコード機能をシームレスに統合しています。
OpenGVLab
InternVL3-38Bは、高度なマルチモーダル大規模言語モデル（MLLM）であり、マルチモーダル認知と推論能力が著しく向上しており、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をサポートしています。
InternVL3-2BはOpenGVLabが開発した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備え、ツール使用、GUIエージェント、産業画像分析、3D視覚知覚などをサポートします。
InternVL3-8B-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視覚知覚など多様な機能をサポートします。
InternVL3-38B-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。
Isotr0py
Ovis2-1Bはマルチモーダル大規模言語モデル（MLLM）Ovisシリーズの最新メンバーで、視覚とテキストの埋め込み構造のアライメントに焦点を当て、小型モデルながら高性能、強化された推論能力、動画と複数画像処理、多言語OCR強化などの特徴を備えています。
nonwhy
PUREは、低レベル視覚タスクを解決するためにマルチモーダル大規模言語モデル（MLLM）をバックボーンネットワークとして採用した最初のフレームワークです。
FriendliAI
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。
StevenHH2000
Finedeficsはオープンソースのマルチモーダル大規模言語モデル（MLLM）で、オブジェクトの情報的属性記述を組み込むことで、細粒度視覚認識（FGVR）能力を強化しています。
長く豊富なコンテキスト（LRC）モデリングを強化した動画マルチモーダル大規模言語モデル。細かいディテールの知覚と長時間の時間的構造の捕捉能力を向上させ、既存のMLLMを改善
InternVideo2.5は、InternVL2.5を基盤としたビデオマルチモーダル大規模言語モデル（MLLM）で、長く豊富なコンテキスト（LRC）モデリングによって強化され、細粒度の詳細を感知し、長時間の時系列構造を捉えることができます。
InternVideo2.5は、長く豊富なコンテキスト(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で、InternVL2.5を基盤として構築されており、細粒度の詳細を感知し、長時間の時系列構造を捉える能力を向上させることで、既存のMLLMモデルを大幅に改善しています。
PULSE-ECG
心電図（ECG）画像解読のために特別に設計されたマルチモーダル大規模言語モデル（MLLM）。多様なデータソースからのECG関連タスクを処理可能。
jadechoghari
Ferret-UIはユーザーインターフェースに特化した初のマルチモーダル大規模言語モデル（MLLM）で、Llama-3-8Bを基盤として構築され、参照、位置特定、推論などの複雑なUIタスクを実行できます。
%20--%3e%3cdefs%3e%3cstyle%3e%20.st0%20{%20fill:%20%23061b40;%20}%20.st1%20{%20fill:%20%23306af1;%20}%20.st2%20{%20fill:%20%235ce5cf;%20}%20%3c/style%3e%3c/defs%3e%3cg%3e%3cpath%20class='st0'%20d='M55,10.5h9v3h-9v9h12V7.5h-12v3ZM64,19.5h-6v-3h6v3Z'/%3e%3cpolygon%20class='st0'%20points='69%2016.5%2078%2016.5%2078%2019.5%2069%2019.5%2069%2022.5%2081%2022.5%2081%2013.5%2072%2013.5%2072%2010.5%2081%2010.5%2081%207.5%2069%207.5%2069%2016.5'/%3e%3cpolygon%20class='st0'%20points='95%2010.5%2095%207.5%2083%207.5%2083%2022.5%2095%2022.5%2095%2019.5%2086%2019.5%2086%2016.5%2095%2016.5%2095%2013.5%2086%2013.5%2086%2010.5%2095%2010.5'/%3e%3cpath%20class='st0'%20d='M40,1.5v21h11.6l1.4-1.4v-7.6h0c0,0-1.4-1.5-1.4-1.5l1.4-1.4V2.9l-1.4-1.4h-11.6ZM50,19.5h-7v-6h7v6ZM50,10.5h-7v-6h7v6Z'/%3e%3c/g%3e%3cpath%20class='st1'%20d='M23.1,24L14.7,4.8l-4.9,11.2h3.8l-1.8,4H3.3L12.1,0H2C.9,0,0,.9,0,2v20c0,1.1.9,2,2,2h21.1Z'/%3e%3cpath%20class='st2'%20d='M34,0h-16.8l10.6,24h6.2c1.1,0,2-.9,2-2V2C36,.9,35.1,0,34,0ZM32.5,20h-4V4h4v16Z'/%3e%3c/svg%3e)
'%3e%3cpath%20d='M55.2622%2038L48.2289%2022L44.1206%2031.3333H47.2539L45.7872%2034.6667H38.7622L46.0956%2018H37.6706C36.7539%2018%2036.0039%2018.75%2036.0039%2019.6667V36.3333C36.0039%2037.25%2036.7539%2038%2037.6706%2038H55.2622Z'%20fill='white'/%3e%3cpath%20d='M64.3368%2018H50.3535L59.1535%2038H64.3368C65.2535%2038%2066.0035%2037.25%2066.0035%2036.3333V19.6667C66.0035%2018.75%2065.2535%2018%2064.3368%2018ZM63.0868%2034.6667H59.7535V21.3333H63.0868V34.6667Z'%20fill='%23FFCC66'/%3e%3cpath%20d='M89.3379%2026.75V29.25H81.8379V36.75H91.8379V24.25H81.8379V26.75H89.3379ZM84.3379%2034.25V31.75H89.3379V34.25H84.3379Z'%20fill='white'/%3e%3cpath%20d='M103.504%2036.75V29.25H96.0039V26.75H103.504V24.25H93.5039V31.75H101.004V34.25H93.5039V36.75H103.504Z'%20fill='white'/%3e%3cpath%20d='M115.17%2026.75V24.25H105.17V36.75H115.17V34.25H107.67V31.75H115.17V29.25H107.67V26.75H115.17Z'%20fill='white'/%3e%3cpath%20d='M80.1712%2029.25V29.175L78.9962%2028L80.1712%2026.825V20.425L78.9962%2019.25H69.3379V36.75H78.9962L80.1712%2035.575V29.25ZM77.6712%2034.25H71.8379V29.25H77.6712V34.25ZM77.6712%2026.75H71.8379V21.75H77.6712V26.75Z'%20fill='white'/%3e%3c/g%3e%3cg%20clip-path='url(%23clip1_644_3948)'%3e%3cpath%20d='M169.59%2022.9827L169.59%2023.6491H177.409L168.175%2032.8822L169.118%2033.8248L178.351%2024.5917L178.352%2032.4106H179.685V22.3164L179.018%2022.3157H169.59V22.9827Z'%20fill='white'/%3e%3c/g%3e%3cdefs%3e%3cclipPath%20id='clip0_644_3948'%3e%3crect%20width='80'%20height='20'%20fill='white'%20transform='translate(36%2018)'/%3e%3c/clipPath%3e%3cclipPath%20id='clip1_644_3948'%3e%3crect%20width='20'%20height='20'%20fill='white'%20transform='translate(164%2018)'/%3e%3c/clipPath%3e%3c/defs%3e%3c/svg%3e)
