オープンソースの市販マルチモーダル理論的根拠モデル:ERNIE-4.5-VL-28B-A3B-思考分析
1. 要約 ERNIE-4.5-VL-28B-A3B-Thinking は、Baidu の新しいオープンソースの軽量マルチモーダル推論モデルで、総パラメータ 28B とアクティベーション約 3B を備え、視覚と言語の意味的調整と「画像で考える」能力に焦点を当て、細部へのズーム/絞り込みをサポートしま...
Admin •
102
Kimi K2 Thinking の包括的な説明:「思考-検索-実行」のためのオープンソースのインテリジェントエージェントモデル
I. 要約 Kimi K2 Thinkingは、Moonshotがリリースしたオープンソースの「思考型」インテリジェントエージェントモデルであり、推論プロセスにおける動的なツール呼び出しと多段階計画を重視しています。公式発表では、HLE44.9%、BrowseComp60.2%を達成し、200～30...
Admin •
134
UNO-Benchの包括的な考察：マルチモーダル理解と推論の統合評価のためのオープンベンチマーク
I. 要約 UNO-Benchは、「単一モデル／完全モデル」の質問の統合評価のためのオープンソースベンチマークであり、知覚と推論の両方の側面をカバーしています。中国語の実世界シナリオ問題と、多段階の自由回答形式の質問応答（MO）問題を提供します。データとツールは、高品質と人間主導の構築を重視しており...
Admin •
96
オープンソースの LongCat-Flash-Omni: 128K コンテキスト + テキスト/画像/オーディオ/ビデオから音声出力
I. 要約 LongCat-Flash-Omniは、MeituanのLongCatチームによるオープンソースのマルチモーダル（オムニモーダル）モデルです。テキスト、画像、音声、動画の統合モデリングを提供することで、LongCat-FlashのScMoEアーキテクチャを拡張しています。約560バイトの...
Admin •
108
MiniMax M2 オープンソース: エージェントコードワークフローのためのコスト効率の高い大規模モデル
I. 要約 MiniMax M2は、MiniMaxのオープンソース推論・プログラミング指向モデルであり、「エージェント＆コードネイティブ」と位置付けられています。公式紹介では、「Mixture-of-Experts（MoE）アーキテクチャに基づくこのモデルは、総パラメータサイズが約230Bですが、一...
Admin •
188
DeepSeek-OCR解説：長いテキストを「ビジュアルトークン」に圧縮する新しいコンテキスト圧縮アプローチ
I. 要約 DeepSeek-OCRは、DeepSeekのオープンソース「コンテキスト光学圧縮」モデルです。文書テキストを 視覚トークン にエンコードし、それをテキストにデコードします。認識精度を維持しながら、LLMのコンテキストトークンコストを大幅に削減することを目指しています。コミュニティやメデ...
Admin •
132