タグ
#Visual Instruction Tuningの記事一覧
1件の記事があります。
マルチモーダル
LLaVAとは？画像を見て会話できるマルチモーダルAIの仕組みと実務での使い道
LLaVAは、CLIPの画像理解とLLMの対話能力をつなぎ、画像を見ながら自然言語で応答できるようにしたマルチモーダル技術です。Visual Instruction Tuningの考え方、2段階学習、評価結果、開発への応用ポイントを日本語で解説します。
参照論文：Visual Instruction Tuning