SAM3は概念ベースの任意分割モデルで、入力された点やボックスなどのプロンプト情報に基づいて、正確な画像分割マスクを生成することができます。このバージョンはONNX形式のSAM3トラッカーモデルで、Transformers.jsライブラリを通じてブラウザ環境で効率的に動作します。

コンピュータビジョンTransformers

SAM 3はMetaが発表した第3世代のプロンプト可能な分割ベースモデルで、テキストまたはビジュアルプロンプト（点、ボックス、マスク）を利用して、画像とビデオ内のオブジェクトを検出、分割、追跡することができます。前代と比較して、SAM 3はオープンボキャブラリ概念のすべてのインスタンスを詳細に分割する機能を導入し、大量のオープンボキャブラリプロンプトをサポートし、SA - COベンチマークで人間の性能の75 - 80％を達成しています。

コンピュータビジョンTransformers英語

これはTacoinがNVIDIA GR00Tモデルをベースに、LIBERO libero longベンチマークテストで微調整したロボット操作モデルです。このモデルはデュアルRGBストリームと8自由度の状態入力を採用し、16ステップの関節空間動作を予測でき、長期的な視野のロボット操作タスクに特化しています。

マルチモーダルSafetensors

π₀.₅はPhysical Intelligenceによって開発された視覚 - 言語 - 動作モデルで、オープンワールド汎化能力を備えており、訓練時に一度も見たことのない全く新しい環境やシーンでロボットタスクを実行することができます。

マルチモーダルSafetensors

VLA-Adapterは、Libero-Spatial上で訓練されたマイクロビジョン言語アクションモデルで、Prismatic-VLMアーキテクチャを採用し、大規模言語モデルのバックボーンとしてQwen2.5-0.5Bのみを使用しています。このモデルは、ロボットのベンチマークテストで、パラメータ規模がより大きいオープンソースのVLAモデルを上回り、高性能なビジョン - 言語 - アクションの理解と実行を実現しています。

マルチモーダルSafetensors英語

SmolVLAはコンパクトで効率的な視覚言語アクションモデルで、計算コストを削減しながら競争力のある性能を達成し、消費者向けハードウェアにデプロイできます。このモデルはLeRobotを使用してトレーニングされ、ロボット技術アプリケーション向けに設計されています。

マルチモーダルSafetensors

NeuTTS Airは世界初の即時音声クローニング機能を備えた超リアルなデバイス端テキスト音声変換（TTS）言語モデルです。0.5Bの大規模言語モデルのバックボーンネットワークをベースに構築され、ローカルデバイスに自然な音声、リアルタイム性能、組み込みセキュリティ機能、話者クローニング機能をもたらします。

音声処理Safetensors

SmolVLAはコンパクトで効率的な視覚言語行動モデルで、計算コストを削減しながら競争力のある性能を実現し、消費者向けハードウェアにデプロイすることができます。このモデルはLeRobotによってトレーニングされ、ロボット技術タスク向けに設計されています。

マルチモーダルSafetensors

これはRockchip RK3588開発ボード用に最適化されたコード生成モデルで、Qwen2.5-Coder-3B-Instructから変換され、エッジデバイスでのローカルコード支援と生成タスクをサポートします。

SmolVLAはコンパクトで効率的な視覚-言語-行動モデルで、計算コストを削減しながらも競争力のある性能を維持でき、消費者向けハードウェアに適しています。このモデルはLeRobotフレームワークを使用してトレーニングされ、ロボット技術タスクに特化して最適化されています。

マルチモーダルSafetensors

SmolVLAはコンパクトで効率的なビジュアル - 言語 - アクションモデルで、計算コストを削減しながらも競争力のある性能を発揮し、コンシューマ向けハードウェアにデプロイできます。このモデルはLeRobotフレームワークを使用してトレーニングされ、ロボット技術のアプリケーション向けに設計されています。

マルチモーダルSafetensors

MGM-Omni-TTS-2BはMGM-Omni全機能チャットボットの音声生成コンポーネントで、テキストから音声への変換に特化しています。中英語のゼロサンプル音声クローニングをサポートし、10分以上の流暢で自然な音声を生成でき、効率的なストリーミングオーディオ生成を実現します。

マルチモーダルTransformers多言語

OmniNeuralは、世界初のニューラル処理ユニット（NPU）用に特別に設計された全マルチモーダルモデルで、テキスト、画像、音声をネイティブに理解し、PC、モバイルデバイス、自動車、IoT、ロボットなどの様々なデバイスで動作します。

MolmoActはアレン人工知能研究所によって開発されたオープンソースのロボット操作動作推論モデルで、Qwen2.5 - 7BとSigLip2視覚バックボーンネットワークに基づいて構築され、家庭およびデスクトップ環境における片腕のフランカロボット操作タスクに特化して最適化されています。

マルチモーダルTransformers英語

MolmoActは、アレン人工知能研究所によって開発された完全なオープンソースのロボット操作アクション推論モデルで、Qwen2.5 - 7BとSigLip2の視覚バックボーンネットワークに基づいて構築され、家庭やデスクトップ環境でのロボット操作タスクに特化しています。

マルチモーダルTransformers英語

MolmoActはアレン人工知能研究所によって開発されたオープンソースの行動推論モデルで、ロボット操作タスクに特化しています。このモデルはQwen2.5 - 7BとSigLip2をベースに構築され、家庭およびデスクトップ環境における93種類の操作タスクで訓練され、優れた視覚 - 言語 - 行動処理能力を持っています。

マルチモーダルTransformers英語

MolmoActはアレン人工知能研究所によって開発されたオープンソースの動作推論モデルで、ロボット操作タスクに特化しています。このモデルはQwen2.5 - 7BとSigLip2ビジュアルバックボーンネットワークに基づいており、家庭およびデスクトップ環境の93種類の独特な操作タスクで訓練され、優れたビジュアル - 言語 - 動作推論性能を持っています。

マルチモーダルTransformers英語

拡散戦略に基づく視覚運動制御モデルで、ロボット制御を生成拡散プロセスと見なし、滑らかな多段階動作軌跡を生成でき、富接触操作タスクで優れた性能を発揮します。

コンピュータビジョンSafetensors

MGM-Omni-7Bは全モーダルチャットボットで、テキスト、画像、ビデオ、音声入力を処理し、テキストと音声の応答を生成することができます。長音声の理解と生成能力を備え、中英語のゼロサンプル音声クローンもサポートしています。

マルチモーダルTransformers多言語

Cosmos-Predict2.5はNVIDIAが開発した、物理AI向けに設計された高性能の事前学習済み世界基礎モデルセットです。拡散モデル技術に基づいており、テキスト、画像、またはビデオの入力に基づいて、物理的な知覚を持つ高品質の画像とビデオを生成することができ、自動運転やロボットなどのアプリケーションに世界シミュレーション能力を提供します。

マルチモーダルDiffusers