Janus-Pro-1B
Janus-Pro-1B は、DeepSeek Janus-Pro シリーズの統合マルチモーダル理解・生成モデルです。自己回帰アーキテクチャを採用し、視覚理解と画像生成のエンコード経路を分離したうえで、統一された Transformer を使用して処理します。公式に記載されたシーケンス長は 4096 です。(huggingface.co) 画像理解:画像とテキストを組み合わせ、画像の説明や視覚的な…
モデルディレクトリ
新しいモデルを公開日順に見つけられます。
Janus-Pro-1B は、DeepSeek Janus-Pro シリーズの統合マルチモーダル理解・生成モデルです。自己回帰アーキテクチャを採用し、視覚理解と画像生成のエンコード経路を分離したうえで、統一された Transformer を使用して処理します。公式に記載されたシーケンス長は 4096 です。(huggingface.co) 画像理解:画像とテキストを組み合わせ、画像の説明や視覚的な…
Computer-Using Agent(CUA)は、OpenAI がグラフィカルユーザーインターフェースを操作するために訓練したエージェントモデルです。GPT-4o の視覚能力と、強化学習によって得られた推論能力を組み合わせています。2025 年 1 月の研究プレビューは、Operator 製品を通じてユーザーに提供されました。(openai.com) CUA はスクリーンショットを通じて画面の…
ERNIE-iRAG-1.0 は百度の画像生成モデルで、画像ベースの検索拡張生成(iRAG)技術を採用し、百度検索の画像リソースと基盤モデルの能力を組み合わせて、テキストから画像を生成する。(ai.baidu.com) 主にテキストからの画像生成に使用され、クリエイティブな挿絵やビジュアルコンテンツの制作に利用できる。 百度の後続の文書によると、ERNIE-iRAG の画像生成インターフェースは参…
Google の Gemini 2.0 Flash Thinking Experimental のプレビュー版で、Flash の速度と複雑な問題に対する推論能力の両立に重点を置いています。(aistudio.google.com) マルチモーダル入力とテキスト出力に対応し、複雑な問題の分析、数学や科学の問題の推論、マルチモーダル情報を組み合わせた理解タスクに使用できます。(blog.google)…
Kimi k1.5 は Moonshot AI のマルチモーダル推論モデルで、強化学習を用いて訓練されている。公式研究報告では、長い思考チェーンと短い思考チェーンの手法、およびテキストと視覚データの共同訓練について論じている。(github.com) このモデルは数学的推論、プログラミング、視覚理解などのタスクを対象としており、問題解決、コード分析、画像とテキストを組み合わせた推論に利用できる。公…
DeepSeek-R1-Distill-Llama-70B は、DeepSeek が公開した約 70B パラメータの高密度推論モデルです。Llama-3.3-70B-Instruct をベースとし、DeepSeek-R1 が生成したサンプルを使用してファインチューニングされています。R1 蒸留モデルシリーズの一員であり、完全な DeepSeek-R1 モデルではありません。(github.com)…
DeepSeek-R1-Distill-Qwen-32B は、DeepSeek が公開した約 320 億パラメータの高密度推論モデルで、Qwen2.5-32B をベースに、DeepSeek-R1 が生成したサンプルを用いてファインチューニングされています。公式にモデルの重みが公開されており、モデルカードにはライセンスが MIT と記載されています。(github.com) このモデルはテキスト生成…
DeepSeek-R1-Distill-Qwen-14B は、DeepSeek が公開した推論型テキスト生成モデルで、Qwen2.5-14B をベースとし、DeepSeek-R1 が生成したサンプルを用いて蒸留とファインチューニングが行われています。公式にモデルの重みが公開されており、モデルカードには MIT ライセンスと記載されています。(github.com) このモデルは数学、プログラミング…
DeepSeek-R1-Distill-Llama-8B は、DeepSeek が公開した約80億パラメータの推論蒸留モデルです。Llama 3.1 8B を基盤とし、DeepSeek-R1 が生成したサンプルを使用してファインチューニングされています。完全な DeepSeek-R1 大規模モデルではありません。(github.com) このモデルはテキスト推論向けで、数学の問題解決、コード関連タ…
DeepSeek-R1-Distill-Qwen-7B は、DeepSeek が公開した約 70 億パラメータ規模の稠密推論モデルで、Qwen2.5-Math-7B をベースに、DeepSeek-R1 が生成したサンプルを使用してファインチューニングされています。R1 蒸留シリーズの独立したモデルの一つであり、完全版の DeepSeek-R1 ではありません。(github.com) このモデルは…
DeepSeek-R1-Distill-Qwen-1.5B は、DeepSeek が公開した約15億パラメータ規模の推論蒸留モデルで、Qwen2.5-Math-1.5B をベースに、DeepSeek-R1 が生成したサンプルを使用してファインチューニングされています。モデルの重みは公開されており、モデルカードには MIT ライセンスと記載されています。(github.com) このモデルはテキスト…
DeepSeek-R1-Zero は DeepSeek の推論型大規模言語モデルで、DeepSeek-V3-Base を基盤とし、事前に教師ありファインチューニングを行わずに、大規模な強化学習によって訓練された。後続の DeepSeek-R1 とは異なるバージョンである。(huggingface.co) このモデルは複雑な推論を対象としており、数学の問題、コード、推論手法の研究に使用できる。公式モ…
DeepSeek-R1 は DeepSeek がリリースした第一世代の推論モデルで、数学、プログラミング、自然言語推論などのタスクを対象としています。公式は 2025 年 1 月 20 日に正式リリースし、同時にモデルの重みを公開して API を提供開始しました。ここに記載しているのは公式の初回リリース日であり、月末の仮の日付ではありません。(api-docs.deepseek.com) 事後学習…
阿里雲百炼が提供する通義万相 2.0 极速版のテキストから画像を生成するモデル。テキストを入力して画像を出力し、質感のあるポートレート、クリエイティブなデザイン画、その他の画像制作に適しています。(help.aliyun.com) 中国語と英語のプロンプト、ネガティブプロンプト、スマートプロンプト書き換えに対応しています。ポジティブプロンプトの上限は 800 文字で、超過分は自動的に切り捨てられま…
通義万相 2.1 画像から動画生成 Plus モデルは、阿里雲百炼を通じて推論サービスを提供し、入力画像を動きのある動画に変換する。 (help.aliyun.com) 画像とプロンプトを組み合わせた動画生成に対応する。公式紹介によると、複雑な動き、物理法則、映画・映像作品風の画面を表現でき、画像の動的な表示や短尺動画素材の制作に適している。…
Emoji-Detect は、Alibaba Cloud Model Studio で Emoji スタンプ動画の生成を支援するための画像検出モデルです。入力画像内の人物像が動画生成の要件を満たしているかを検出します。検出に合格した場合は、後続の動画生成に使用するため、顔領域および拡張表情領域の座標を返すことができます。モデル自体は動画生成モデルではありません。(alibabacloud.com)…
Emoji は、阿里雲百煉が提供する顔の動きの動画生成モデルです。顔画像とあらかじめ設定された動きのテンプレートを入力として、対応する顔の動きの動画を生成し、スタンプや動画素材の制作に利用できます。入力モダリティは画像、出力モダリティは動画です。(alibabacloud.com) 人物のポートレートを、あらかじめ設定された表情の動きの動画に変換する用途に適しています。テンプレート駆動であり、任意…
aitryon-parsing-v1 は、Alibaba Cloud百錬のAI試着サービスOutfitAnyoneの画像セグメンテーション補助モデルです。モデル画像と衣服画像をセグメンテーションでき、試着画像の前処理または後処理に使用されます。(help.aliyun.com) このモデルは画像セグメンテーション向けであり、完全なバーチャル試着生成モデルと同一視することはできません。Alibaba…
Qwen-Plus の qwen-plus-0112 は、Alibaba Cloud Bailian が提供するテキスト生成スナップショットモデルで、qwen-plus-2025-01-12 とも呼ばれます。中国語、英語などに対応し、テキスト生成、質疑応答、読解などのタスクに使用できます。Alibaba Cloud Bailian の製品月刊によると、前のスナップショットと比べ、このバージョンは中…
Tencent Hunyuan Turbo の固定バージョンで、バージョン番号 pv2.0.6 に対応する汎用大規模言語モデルです。Turbo シリーズは混合エキスパート(MoE)アーキテクチャを採用しています。(cloud.tencent.com) 公式によると、このバージョンでは汎用的な汎化能力、数学、コード、論理的推論の能力が向上し、文字・単語およびテキストの理解とテキスト作成の品質が最適化…