VLM（ビジョン言語モデル）
画像とテキストの両方を扱うモデル。画像を「見て」、それについての質問に答える。
Claude Sonnet/Opus、GPT-4V、Gemini、LLaVA、Qwen-VLなどが該当する。画像と説明文のペアで学習している。OCR、グラフ、文書理解が得意。AIが本当に「見る」ようになった出発点といえる。
画像とテキストの両方を扱うモデル。画像を「見て」、それについての質問に答える。
Claude Sonnet/Opus、GPT-4V、Gemini、LLaVA、Qwen-VLなどが該当する。画像と説明文のペアで学習している。OCR、グラフ、文書理解が得意。AIが本当に「見る」ようになった出発点といえる。