olmOCR-2-7B-1025のFP8量子化バージョンで、Qwen2.5-VL-7B-Instructをベースに微調整され、数式や表などの複雑なOCRシーンを処理するためのビジョン言語モデルです。

マルチモーダルTransformers英語

NuExtract 2.0は、NuMind社が構造化情報抽出タスク用に特別にトレーニングした一連のマルチモーダルモデルです。この4BバージョンはQwen2.5-VL-3B-Instructをベースに構築されており、テキストと画像の入力をサポートし、多言語処理能力を備え、非構造化データから構造化情報を抽出することができます。

マルチモーダルTransformers

VideoChat-R1_5-7BはQwen2.5-VL-7B-Instructをベースに構築されたビデオテキストインタラクションモデルで、マルチモーダルタスクをサポートし、特にビデオ質問応答機能に長けています。このモデルは強化微調整により時空間知覚能力を強化し、反復知覚メカニズムを採用してマルチモーダル推論を強化しています。

マルチモーダルTransformers英語

本プロジェクトはQwen2.5-VL-7B-Instructモデルに基づいており、視覚質問応答タスクに特化しており、画像に関連する質問に正確に回答でき、高い正確性と関連性を備えています。これはマルチモーダル視覚言語モデルであり、画像理解と画像に基づく質問応答インタラクションをサポートします。

マルチモーダルSafetensors英語

これは unsloth/qwen2.5-vl-72b-instruct-bnb-4bit モデルをベースに微調整された視覚言語モデルで、Unsloth と Huggingface TRL ライブラリを使用して最適化訓練され、訓練速度は従来方式に比べて2倍に向上しています。

マルチモーダルTransformers英語

ARC-Qwen-Video-7Bは、騰訊ARCラボが開発した現実世界の短動画を理解するためのマルチモーダルモデルで、Qwen2.5-VL-7B-Instructをベースに構築され、音声と動画の同期分析と理解をサポートしています。

マルチモーダルTransformers

Qwen2.5-VL-7B-Instructはアリババの通義千問チームによって開発されたマルチモーダル視覚言語モデルで、70億のパラメータ規模に基づき、視覚的質問応答タスクに特化して最適化トレーニングが行われています。このモデルは画像内容を理解し分析し、正確な自然言語の回答を生成することができます。

マルチモーダルSafetensors英語

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

これはQwen2.5-VL-7B-Instructをベースに微調整されたFP8量子化バージョンのOCRモデルで、ドキュメント画像のテキスト認識に特化しており、効率的な大規模ドキュメント処理をサポートします。

マルチモーダルTransformers英語

Qwen2.5-VL-7B-IT-GGUFは強力なマルチモーダルモデルで、テキストと画像からテキストを生成するタスクをサポートし、テキストエンコーディング能力を備え、さまざまなツールと互換性があります。

マルチモーダルGguf

Qwen2.5-VL-7B-Abliterated-Caption-itの量子化バージョンで、多言語画像記述タスクをサポートします。

マルチモーダルTransformers多言語

これはQwen2.5-VL-7Bモデルに基づく静的量子化バージョンで、画像記述生成タスクに特化し、複数の言語をサポートしています。

マルチモーダルTransformers多言語

olmOCR-7B-0725-FP8は、Qwen2.5-VL-7B-Instructモデルをベースに、olmOCR-mix-0225データセットで微調整した後、FP8バージョンに量子化した文書OCRモデルです。

マルチモーダルTransformers英語

Qwen2.5-VL-7B-Meteorologyの量化バージョンで、気象、気候などの分野の画像テキスト処理タスクに適しており、さまざまなハードウェア条件下で効率的に動作します。

マルチモーダルTransformers英語

Qwen2.5-VL-7B-Meteorologyの量化バージョンで、気象関連の画像テキスト処理タスクに適しています。

マルチモーダルTransformers英語

Qwen2.5-VLは画像テキストからテキストへのマルチモーダルモデルで、視覚理解、ビデオ処理、構造化出力などの分野で著しい向上が見られます。

マルチモーダルGguf英語

Qwen2.5アーキテクチャに基づくビジュアルQAモデルで、ベトナム語シナリオに特化し、画像関連の質問に対する解答をサポートします。

マルチモーダルPeftその他

Owlet Safety 1はQwen2.5-VL-3B-Instructをベースに微調整されたマルチラベルセキュリティイベント検出モデルで、ビデオ監視におけるセキュリティ活動の識別に特化しており、火災、煙、転倒、襲撃などの複数のセキュリティ関連イベントを同時に検出することができます。

マルチモーダルTransformers

Qwen2.5-VL-3B-Instructをベースに微調整されたビジュアルOCRモデルで、ドキュメントレベルのOCR、長文脈の視覚言語理解、数学のLaTeX形式変換に特化しています。

マルチモーダルTransformers英語

これはA8W8量子化されたマルチモーダル大規模言語モデルで、Qwen2.5-VL-7B-Instructに基づいており、視覚と言語のタスクをサポートします。

マルチモーダルTransformers