MonkeyOCR-pro-1.2B Vision GGUFは、光学文字認識（OCR）とドキュメント分析に特化した高性能なビジュアル言語モデルです。このモデルはGGUF形式を採用し、多言語処理をサポートし、優れたOCR精度と推論速度を備えており、さまざまなドキュメント処理シーンに適しています。

マルチモーダルGguf

VisualPRM-8B-v1.1は80億のパラメータを持つ先進的なマルチモーダルプロセス報酬モデルで、Best-of-N評価戦略によりマルチモーダル大規模言語モデルの推論能力を向上させます。

マルチモーダルTransformersmultilingual

Google Vision Transformer (ViT)をファインチューニングしたペット品種分類モデルで、Oxford-IIITペットデータセットで94.45%の精度を達成

コンピュータビジョンTransformers

H0-miniはOwkinとBioptimusが共同開発した軽量な組織学基礎モデルで、Vision Transformerアーキテクチャに基づき、自己教師あり蒸留法で訓練され、病理学画像解析に適しています。

コンピュータビジョンTimm

Llama 3.1で最適化された80億パラメータのブランドセーフティ分類モデル、Appleチップデバイス向けに特別に最適化

自然言語処理Transformers多言語

VISION-1はLlama 3.1 8B Instructをファインチューニングしたバージョンで、コンテンツセキュリティ分析と審査に特化しています。

自然言語処理Transformers英語

LAION-400Mデータセットで学習されたVision Transformerモデル、open_clipとtimmフレームワークに互換

コンピュータビジョンSafetensors

MetaCLIP-2.5Bデータセットで訓練されたVision Transformerモデルで、open_clipとtimmフレームワークと互換性があります

コンピュータビジョンSafetensors

LAION-400Mデータセットで訓練されたVision Transformerモデル、OpenCLIPとtimmのデュアルフレームワークに対応

コンピュータビジョンSafetensors

LAION-400Mデータセットで訓練されたVision Transformerモデルで、OpenCLIPとtimmの2つのフレームワークに対応

コンピュータビジョンSafetensors

VisRAGは視覚言語モデル(VLM)に基づく検索拡張生成(RAG)システムで、文書を画像として直接埋め込み表現でき、従来のテキスト解析による情報損失を回避します。

マルチモーダルSafetensors英語

OpenCLIPフレームワークに基づくVision Transformerモデルで、ゼロショット画像分類タスク向けにファインチューニングされています

コンピュータビジョンSafetensors

OpenAIがオープンソース化したCLIPモデルで、Vision Transformer (ViT) アーキテクチャに基づき、画像とテキストの共同理解をサポートします。

マルチモーダルTransformers

OpenAIが開発したCLIPモデル、Vision Transformerアーキテクチャに基づき、画像とテキストの共同理解をサポート

マルチモーダルTransformers

OpenAIがオープンソース化したCLIPモデル、Vision Transformerアーキテクチャに基づき、画像とテキストのクロスモーダル理解をサポート

マルチモーダルTransformers

このモデルはFood-101データセットでファインチューニングされたVision Transformer（ViT）で、Optimumツールを使用してINT8静的量子化が施され、OpenVINO中間表現形式にエクスポートされています。効率的な画像分類タスクに適しています。

コンピュータビジョンTransformers