これはマイクロソフトFara-7Bモデルの量子化バージョンで、llama.cppのimatrix技術を使用して最適化されています。このモデルは、高精度のbf16から超低精度のIQ2_Mまで、さまざまな量子化レベルをサポートし、異なるハードウェア構成とパフォーマンス要件を満たします。

自然言語処理Gguf

これはmiromind-aiによって開発されたMiroThinker-v1.0-8Bモデルの量子化バージョンで、特定のツールとデータセットを使用して量子化処理が行われ、複数の量子化タイプのファイルをユーザーが選択でき、さまざまな環境で実行でき、異なるパフォーマンスと品質の要件を満たすことができます。

自然言語処理Gguf英語

これはVibeStudioのMiniMax-M2-THRIFTモデルを量子化したバージョンで、llama.cppツールと特定のデータセットを使用して生成され、複数の量子化タイプのGGUFファイルを提供し、LM Studioまたはllama.cppベースのプロジェクトでの実行をサポートします。

自然言語処理Gguf

これはHuihui - MiroThinker - v1.0 - 8Bモデルに基づく量子化バージョンで、テキスト生成タスクに特化して最適化されており、量子化技術によって推論効率を向上させると同時に、モデルの性能を維持しています。

自然言語処理Gguf

これはMiroThinker-v1.0-30BモデルをMXFP4_MOE imatrix量子化したバージョンで、mradermacherのimatrixをベースに実装されています。この量子化モデルは元のモデルのテキスト生成能力を維持しながら、量子化技術によって推論効率を向上させ、高効率なテキスト生成が必要な様々なアプリケーションシーンに適しています。

自然言語処理Gguf

米モデルのエンボディメントモデル（MiMo-Embodied）は、強力なクロスエンボディメント視覚言語モデルであり、自動運転とエンボディメントAIタスクの両方で卓越した性能を発揮します。これは、この2つの重要な分野を結合した最初のオープンソースの視覚言語モデルであり、動的な物理環境における理解と推論能力を大幅に向上させました。

マルチモーダルTransformers

MiroThinker v1.0はオープンソースの研究エージェントで、モデルレベルの対話型拡張により、ツール強化推論と情報検索能力を向上させます。このモデルは複数のベンチマークテストで優れた性能を発揮し、長文脈と深度のある多段階分析をサポートします。

自然言語処理Transformers英語

これはREAP方法を用いてMiniMax-M2の専門家を均一に25%裁剪した172Bパラメータの大規模言語モデルで、llama.cppに特化して最適化された量子化処理が施されており、複数の量子化レベルをサポートし、LM Studioやllama.cppベースのプロジェクトで動作します。

自然言語処理Gguf英語

これはREAP方法に基づいて、MiniMax-M2の40%の専門家を均等に剪定して得られた139Bパラメータの大規模言語モデルです。GLMアーキテクチャと専門家混合（MoE）技術を採用し、llama.cppを通じて様々な量化処理を行い、テキスト生成タスクに適しています。

自然言語処理Gguf英語

このプロジェクトでは、cerebras/MiniMax-M2-REAP-172B-A10Bモデルの量子化バージョンを提供しており、知識を大衆に利用してもらうことを目指しています。これは1720億パラメータの大規模言語モデルで、最適化と量子化処理が施されており、デプロイコストの削減と推論効率の向上を目的としています。

自然言語処理Gguf

これはMiniMax-M2-REAP-172B-A10BモデルのMXFP4_MOE量子化バージョンで、メモリ効率の高い圧縮モデルです。REAP（ルーティング重み付き専門家活性化剪定）方法を通じて、性能を維持しながらモデルを230Bパラメータから172Bパラメータに圧縮し、サイズを25％縮小し、リソース制限のある環境、ローカルデプロイ、および学術研究に適しています。

自然言語処理Gguf

Olmo 3 7B RL-Zero Mixは、Allen AIが開発した7Bパラメータ規模の言語モデルで、Olmo 3シリーズに属します。このモデルはDolma 3データセットで事前学習され、Dolciデータセットで事後学習され、強化学習によって数学、コーディング、推論能力が最適化されています。

自然言語処理Transformers英語

MiroThinker-v1.0-72Bは72Bパラメータの大規模言語モデルの量子化バージョンで、知識を誰もが利用できるようにすることを目指しています。このプロジェクトはオリジナルモデルを最適化し、より効率的な推論性能を提供します。

自然言語処理Gguf

Trouper-12B GGUFは、DarwinAnim8orによってオリジナルモデルを基に開発されたテキスト生成モデルで、ロールプレイングやクリエイティブライティングのシナリオに特化して最適化されています。このモデルはMistral-Nemo-Base-12Bから微調整され、カスタムの「Actors」データセットを使用して訓練されており、生成されるテキストはより自然で、一般的な「AI言語」の特徴を避けています。

自然言語処理Gguf英語

MiniMax-M2-REAP-162B-A10BはMiniMax-M2の高効率圧縮バージョンで、REAP（ルーティング重み付き専門家活性化枝刈り）手法を採用し、性能をほぼ維持したままモデルサイズを30％削減し、230Bパラメータから162Bパラメータに圧縮し、メモリ要件を大幅に削減しました。

自然言語処理Transformers英語

MiniMax-M2-REAP-172B-A10BはMiniMax-M2のメモリ効率の高い圧縮バリアントで、REAP専門家枝刈り方法を採用し、性能をほぼ維持したまま、モデルサイズを25％軽減し、230Bパラメータから172Bパラメータに圧縮しました。

自然言語処理Transformers英語

これはManoghn/voicecraft-mistral-7bモデルの静的量子化GGUFバージョンで、Mistral-7Bアーキテクチャに基づいており、コンテンツ生成とテキスト生成タスクに特化しています。このバージョンでは、2.8GBから14.6GBまでのさまざまな量子化レベルが提供されており、ユーザーはハードウェア条件とパフォーマンス要件に応じて適切なバージョンを選択できます。

自然言語処理Transformers英語

MiniMax-M2 AWQ - INT4は、MiniMax-M2モデルを量子化したバージョンで、INT4量子化技術を採用し、パフォーマンスを維持しながらメモリ使用量を大幅に削減し、推論効率を向上させます。このモデルは、コーディングとエージェントタスクで優れた性能を発揮し、卓越した総合性能を持っています。

自然言語処理Transformers

これはMiniMax-M2-THRIFTモデルのMXFP4_MOE量子化バージョンで、元のモデルに基づいて圧縮処理が行われており、25％のエキスパート枝刈り（256から192）が行われ、top_k=8に設定されています。同時に、エンコーディングモデルの特性が保持されており、テキスト生成タスクに使用できます。

自然言語処理Gguf

これはMiniLMアーキテクチャに基づく軽量級の文埋め込みモデルで、高品質の文ベクトル表現を生成するために特別に設計されています。モデルはMultipleNegativesRankingLossを使用してトレーニングされ、文の類似度計算と特徴抽出タスクで優れた性能を発揮します。

自然言語処理Sentence-transformers