本文へスキップ

Megrez-3B-Omni

端末で画像・文章・音声を理解する

公式サイトを見る

Megrez-3B-Omni とは

本モデルは Megrez-3B-Instruct を広げて作られた端末向け全モーダル理解モデルと紹介され、画像・文章・音声のデータを読み解くと説明されている。

できること

  • 画像・文章・音声を合わせて理解し分析する
  • 上げた画像について音声で質問する
  • 音声の指示から文章で応じる
  • 中国語と英語の音声で複数回の対話を続ける

導入の手順

  • torch や transformers などの環境を整える
  • Hugging Face からモデルを取り寄せる
  • 例に沿い経路を定めてモデルを読み込む
  • 文章・画像・音声の入力を用意する

長所と短所

✓ 良い点

  • 中国語と英語の音声と複数回の対話に対応
  • 応答の速さと端末配置を考えて設計される

! 注意したい点

  • 画像への音声質問には入力画像の用意が要る
  • 挙がる点数は C-EVAL や MMLU などの試験群による

よくある質問

扱うモーダルは?

資料は画像・文章・音声の理解分析を挙げる。

対応する音声は?

資料は中国語と英語の音声入力と複数回の対話を説明する。

最終評価日: 2026-11-15

その他 LLM APIプラットフォーム ツール

すべて見る →

評価方法