概要
画像と言語を結びつけて理解する、マルチモーダルモデルの一種。
詳しい解説
VLMは、画像と言語を同時に理解するの一種です。画像の内容を説明したり、画像に関する質問に答えたり(画像QA)できます。とを橋渡しする技術で、図表の読み取り、画面操作の補助、文書の視覚的理解などに応用されています。
💡 青い破線の用語にカーソルを合わせる(タップする)と、その場で簡単な説明が表示されます。
具体例・活用シーン
グラフの読み取り
グラフ画像を渡して「売上のピークはいつ?」と聞くと、視覚情報を読み取って答えられます。
関連用語
この説明に誤りや改善点を見つけましたか?
✏️ この説明を改善提案する