#
Vision
このタグのAIツール Vision.
modlens
テキスト専用コーディングエージェントに、構造化された画像情報を渡す視覚プラグインです。
DeepSeek-V4-Flash-Vision-Exp
文書やグラフの理解に向けた、DeepSeekのV4-Flashの実験的なマルチモーダル版
BLIP
キャプション生成と検索のための、Salesforceの視覚言語の事前学習モデル
BLIP-2
Salesforceによる、BLIPのより効率的な後継。固定したエンコーダから視覚言語の事前学習を立ち上げる
CLIP
現代のマルチモーダルAIの多くの土台となった、OpenAIの基礎的な画像とテキストの対照学習モデル
CLIP (LAION variant)
LAIONが再学習した、オープンウェイトのCLIP視覚言語エンベディングモデル
DeepSeek-VL
DeepSeek-VL2の前に出た、DeepSeek初の視覚言語モデル
DeepSeek-VL2
DeepSeekのオープンウェイトの、視覚言語向けMixture-of-Expertsモデル
Doubao Vision
画像と文書の理解に向けた、ByteDanceのマルチモーダルなDoubaoの階層
Falcon 2
TIIのFalcon世代でFalcon 180BとFalcon 3の間。視覚言語版が加わった
Flamingo
DeepMindの視覚言語モデル。少数ショットでのマルチモーダル推論の先駆け
Gemini 3.5 Pro
発表済みだが、まだ一般提供されていない次世代最先端モデル
GPT-4o
テキスト、画像、音声をネイティブに扱うOpenAIのオムニモデル
Granite Vision
文書や図表の理解に向けたIBMの小型視覚言語モデル
Grok-1.5V
一般公開に先立つプレビューとして発表された、xAI初の視覚対応Grokモデル
HyperCLOVA X Vision
韓国語に強いHyperCLOVA Xに画像理解を加えたNaverのマルチモーダルモデル
IDEFICS2
文書や図表への質問応答向けに開発されたHugging Faceのオープン視覚言語モデル
InternVL2
独自のマルチモーダルモデルと競うShanghai AI Labのオープン視覚言語モデル群
Kimi-VL
Moonshotのオープンウェイト視覚言語モデル
Kosmos-2
言語表現を画像内の具体的な領域に対応付けるMicrosoftのグラウンディング対応マルチモーダルモデル
PaLI
キャプション、VQA、多言語タスク向けに拡張したGoogleの視覚言語モデル
Phi-3-vision
端末上の画像推論に対応するPhi-3ファミリーのマルチモーダルモデル
Pixtral 12B
Pixtral Largeより小型のMistral初のマルチモーダルモデル
Pixtral Large
Mistralの主力視覚言語モデル
Qwen-VL
Qwenファミリー初のAlibaba視覚言語モデル
Qwen2.5-VL
Alibabaのオープンウェイト視覚言語モデル
Yi-VL-34B
Yi-34Bを基盤にした01.AIのオープンウェイト視覚言語モデル