# 画像キャプション生成

SmolVLM-500M-Instruct
Smolvlm 500M Instruct
SmolVLM-500Mは、Hugging Faceが開発したSmolVLMシリーズに属する軽量なマルチモーダルモデルです。Idefics3アーキテクチャに基づいており、効率的な画像とテキスト処理タスクに焦点を当てています。任意の順序で画像とテキストの入力を受け入れ、テキスト出力を生成し、画像キャプション生成、ビジュアルクエスチョン解答などのタスクに適しています。軽量なアーキテクチャにより、リソースの限られたデバイスでも実行でき、同時に強力なマルチモーダルタスクのパフォーマンスを維持できます。このモデルはApache 2.0ライセンスを採用しており、オープンソースで柔軟な使用シナリオをサポートしています。
AIモデル
47.5K
PaliGemma 2-3b-pt-448
Paligemma 2 3b Pt 448
PaliGemma 2は、Googleによって開発された視覚言語モデルであり、Gemma 2モデルの能力を受け継いでいます。画像とテキストの入力を処理し、テキスト出力を生成できます。画像キャプション生成、視覚的質問応答など、様々な視覚言語タスクにおいて優れた性能を発揮します。主な利点としては、強力な多言語サポート、効率的なトレーニングアーキテクチャ、幅広い適用性などが挙げられます。ソーシャルメディアコンテンツ生成やスマートカスタマーサービスなど、視覚とテキストデータを処理する必要がある様々なアプリケーションシナリオに適しています。
AIモデル
45.8K
InternVL2_5-26B-MPO
Internvl2 5 26B MPO
InternVL2_5-26B-MPOは、多様なモダリティに対応する大規模言語モデル(MLLM)です。InternVL2.5をベースに、混合選好最適化(Mixed Preference Optimization, MPO)を用いてモデル性能をさらに向上させています。画像やテキストを含む多様なモダリティのデータを処理でき、画像キャプション生成、ビジュアルクエスチョン?アンサーリングなど幅広い用途に適用可能です。画像の内容と密接に関連したテキストの理解と生成が可能である点が重要であり、多様なモダリティに対応する人工知能の境界を押し広げています。製品の背景情報には、多様なモダリティに対応するタスクにおける卓越した性能と、OpenCompass Leaderboardにおける評価結果が含まれます。本モデルは、研究者や開発者が多様なモダリティに対応する人工知能の可能性を探求し、実現するための強力なツールを提供します。
AIモデル
47.7K
InternVL2_5-1B-MPO
Internvl2 5 1B MPO
InternVL2_5-1B-MPOは、InternVL2.5と混合選好最適化(MPO)に基づいて構築されたマルチモーダル大規模言語モデル(MLLM)であり、優れた総合的な性能を示します。このモデルは、増分事前学習済みのInternViTと、InternLM 2.5やQwen 2.5を含む様々な事前学習済み大規模言語モデル(LLM)を、ランダムに初期化されたMLPプロジェクターを使用して統合しています。InternVL2_5-MPOは、InternVL 2.5とその前身と同様の「ViT-MLP-LLM」パラダイムをモデルアーキテクチャに保持しており、複数画像と動画データのサポートを導入しています。このモデルはマルチモーダルタスクにおいて優れた性能を発揮し、画像キャプション生成、Visual Question Answeringなど、様々な視覚言語タスクを処理できます。
AIモデル
51.6K
Florence-2-large
Florence 2 Large
Florence-2-largeは、マイクロソフトが開発した高度なビジョン基礎モデルです。プロンプトベースのアプローチを採用し、幅広いビジョンおよびビジョン?言語タスクに対応します。このモデルは、シンプルなテキストプロンプトを解釈して、画像キャプション生成、物体検出、セグメンテーションなどのタスクを実行できます。5億4千万枚の画像に54億個の注釈が付いたFLD-5Bデータセットを活用し、マルチタスク学習に長けています。シーケンスツーシーケンスアーキテクチャにより、ゼロショットおよびファインチューニング設定の両方で優れたパフォーマンスを発揮し、競争力のあるビジョン基礎モデルであることが証明されています。
AI画像生成
61.3K
idefics-80b
Idefics 80b
HuggingFaceM4/idefics-80b-instructは、画像とテキストの両方をインプットとして受け入れ、関連するテキストを出力するオープンソースのマルチモーダルモデルです。視覚的質問応答や画像キャプション生成などのタスクで優れたパフォーマンスを発揮し、汎用的なインテリジェントアシスタントモデルとして機能します。Hugging Faceチームによって開発され、オープンデータセットを用いてトレーニングされており、無料で利用できます。
AIモデル
63.5K
LLaVA-3b
Llava 3b
LLaVA-3bは、Dolphin 2.6 Phiをファインチューニングしたモデルです。SigLIP 400Mのビジョнтаワーを用いて、LLaVA方式でファインチューニングされています。複数の画像ラベル、ビジョンエンコーダの最終層出力などを特徴としています。このモデルはPhi-2をベースとしており、マイクロソフトリサーチライセンスの制約を受け、商用利用は禁止されています。ML Collectiveによる計算リソースクレジットへの感謝を述べます。
AIモデル
56.6K
SEED
SEED
SEEDは大規模に事前学習されたモデルであり、テキストとビジュアルデータのインターリーブデータを用いた事前学習とファインチューニングによって、幅広いマルチモーダルな理解と生成タスクにおいて優れた性能を発揮します。SEEDは、AIアシスタントのように、複数ラウンドのコンテキストを持つマルチモーダルな生成など、組み合わせ的な新興能力も備えています。また、テキストを画像に変換できるSEED Tokenizer v1とSEED Tokenizer v2も含まれています。
AIモデル
58.5K
おすすめAI製品
海外精選
Jules AI
Jules AI
Jules は、自動で煩雑なコーディングタスクを処理し、あなたに核心的なコーディングに時間をかけることを可能にする異步コーディングエージェントです。その主な強みは GitHub との統合で、Pull Request(PR) を自動化し、テストを実行し、クラウド仮想マシン上でコードを検証することで、開発効率を大幅に向上させています。Jules はさまざまな開発者に適しており、特に忙しいチームには効果的にプロジェクトとコードの品質を管理する支援を行います。
開発プログラミング
40.0K
NoCode
Nocode
NoCode はプログラミング経験を必要としないプラットフォームで、ユーザーが自然言語でアイデアを表現し、迅速にアプリケーションを生成することが可能です。これにより、開発の障壁を下げ、より多くの人が自身のアイデアを実現できるようになります。このプラットフォームはリアルタイムプレビュー機能とワンクリックデプロイ機能を提供しており、技術的な知識がないユーザーにも非常に使いやすい設計となっています。
開発プラットフォーム
39.5K
ListenHub
Listenhub
ListenHub は軽量級の AI ポッドキャストジェネレーターであり、中国語と英語に対応しています。最先端の AI 技術を使用し、ユーザーが興味を持つポッドキャストコンテンツを迅速に生成できます。その主な利点には、自然な会話と超高品質な音声効果が含まれており、いつでもどこでも高品質な聴覚体験を楽しむことができます。ListenHub はコンテンツ生成速度を改善するだけでなく、モバイルデバイスにも対応しており、さまざまな場面で使いやすいです。情報取得の高効率なツールとして位置づけられており、幅広いリスナーのニーズに応えています。
AI
38.4K
中国語精選
腾讯混元画像 2.0
腾讯混元画像 2.0
腾讯混元画像 2.0 は腾讯が最新に発表したAI画像生成モデルで、生成スピードと画質が大幅に向上しました。超高圧縮倍率のエンコード?デコーダーと新しい拡散アーキテクチャを採用しており、画像生成速度はミリ秒級まで到達し、従来の時間のかかる生成を回避することが可能です。また、強化学習アルゴリズムと人間の美的知識の統合により、画像のリアリズムと詳細表現力を向上させ、デザイナー、クリエーターなどの専門ユーザーに適しています。
画像生成
38.9K
OpenMemory MCP
Openmemory MCP
OpenMemoryはオープンソースの個人向けメモリレイヤーで、大規模言語モデル(LLM)に私密でポータブルなメモリ管理を提供します。ユーザーはデータに対する完全な制御権を持ち、AIアプリケーションを作成する際も安全性を保つことができます。このプロジェクトはDocker、Python、Node.jsをサポートしており、開発者が個別化されたAI体験を行うのに適しています。また、個人情報を漏らすことなくAIを利用したいユーザーにお勧めします。
オープンソース
39.7K
FastVLM
Fastvlm
FastVLM は、視覚言語モデル向けに設計された効果的な視覚符号化モデルです。イノベーティブな FastViTHD ミックスドビジュアル符号化エンジンを使用することで、高解像度画像の符号化時間と出力されるトークンの数を削減し、モデルのスループットと精度を向上させました。FastVLM の主な位置付けは、開発者が強力な視覚言語処理機能を得られるように支援し、特に迅速なレスポンスが必要なモバイルデバイス上で優れたパフォーマンスを発揮します。
画像処理
38.4K
海外精選
ピカ
ピカ
ピカは、ユーザーが自身の創造的なアイデアをアップロードすると、AIがそれに基づいた動画を自動生成する動画制作プラットフォームです。主な機能は、多様なアイデアからの動画生成、プロフェッショナルな動画効果、シンプルで使いやすい操作性です。無料トライアル方式を採用しており、クリエイターや動画愛好家をターゲットとしています。
映像制作
17.6M
中国語精選
LiblibAI
Liblibai
LiblibAIは、中国をリードするAI創作プラットフォームです。強力なAI創作能力を提供し、クリエイターの創造性を支援します。プラットフォームは膨大な数の無料AI創作モデルを提供しており、ユーザーは検索してモデルを使用し、画像、テキスト、音声などの創作を行うことができます。また、ユーザーによる独自のAIモデルのトレーニングもサポートしています。幅広いクリエイターユーザーを対象としたプラットフォームとして、創作の機会を平等に提供し、クリエイティブ産業に貢献することで、誰もが創作の喜びを享受できるようにすることを目指しています。
AIモデル
6.9M
AIbase
未来を切り開く、あなたのAIソリューション知識ベース
© 2025AIbase