視覚言語モデルとは
画像や動画などの視覚情報と文章のテキスト情報を同時に理解し、写真の内容を説明したり質問に答えたりできるAIモデルです。
たとえるなら — 写真を見せられたときに何が写っているかを正しく言葉で説明してくれるガイドのようなものです。
実務モデルと技術VLMVision-Language Modelビジョンランゲージモデル視覚・言語モデル
「視覚言語モデル」が出てきたニュース
- 米Ai2、ロボットの失敗原因を突き止める模擬空間を公開 データ生成も自動化
- MIT、ロボットが自分の記憶違いを自動で正す新技術を開発 見間違いを9割解消
- 「健康的な食事」など曖昧な基準を対話で整理 Googleが新手法を公開
- ジンベイ、数百件の社内データから自社専用AIを作る構築支援を開始 外部に出さず安全運用
- PUBGのKRAFTON、人の意図を察して一緒に働くロボットAI「Ludi 0.2」公開
- 画面を見てアプリを操作する小型AI、Appleが実機で鍛える新手法を発表
アプリなら毎朝1件、注目のAIニュースが届きます
アプリなら、記事を読みながら分からない用語をその場でタップして確認できます。
