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。

マルチモーダルTransformersmultilingual

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。

マルチモーダルTransformersmultilingual

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。

マルチモーダルTransformersmultilingual

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。

マルチモーダルTransformers

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。

マルチモーダルTransformersその他

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。

マルチモーダルTransformersその他

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。

マルチモーダルTransformersその他

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。

マルチモーダルTransformersその他

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。

マルチモーダルTransformers多言語

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。

マルチモーダルSafetensors

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

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。

マルチモーダルSafetensors

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

マルチモーダルTransformers英語

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。

マルチモーダルTransformers英語

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。

マルチモーダルTransformers英語

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。

マルチモーダルSafetensors英語

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。

マルチモーダルTransformers