「ZoomGain-4B」微細視覚認識特化型の視覚言語モデル:必要VRAM 4GB〜・GGUF版あり
inclusionAIが公開した「ZoomGain-4B」は、全体とズームの認識ギャップに着目した微細視覚認識特化型の視覚言語モデルです。特徴や入手方法、評価環境の構築手順を解説します。
「WeVisOne-VL」視覚言語モデル:必要VRAM 8GB〜
ComfyUI向けに最適化された視覚言語モデル「Comfy-Org/WeVisOne-VL」のスペック、モデル構成、導入時の配置先フォルダ構造を解説します。
「Mage-VL-Cowork」GUI操作とコード実行をこなす4Bの視覚言語モデル:必要VRAM 12GB〜
MicrosoftのMage-VL-Coworkは、画面操作とターミナル実行を動的に切り替える4Bパラメータの視覚言語モデルです。導入方法やベンチマーク結果を解説します。
「ZwZ2-9B-GGUF」空間知覚を強化した視覚言語モデル:必要VRAM 8GB〜
視覚と言語を扱うオープンウェイトのマルチモーダルモデル「ZwZ2-9B」のGGUF形式版がHugging Faceで公開。llama.cppでの実行方法や特徴を解説。