本文へスキップ

CogVLM

画像について対話できるオープンソースの視覚言語モデル

公式サイトを見る
カテゴリ AIモデル

CogVLM とは

CogVLM は強力なオープンソースの視覚言語モデルと紹介され、CogVLM-17B は 100 億の視覚パラメータと 70 億の言語パラメータを持ち、画像について対話できると説明されている。

できること

  • 画像の細部を正確に描写する
  • さまざまな種類の質問に答える
  • 視覚的位置特定を行う
  • 画像について対話する

評価の記載

  • 資料は CogVLM-17B が NoCaps、Flicker30k、RefCOCO、RefCOCO+、RefCOCOg、Visual7W、GQA、ScienceQA、VizWiz VQA、TDIUC の 10 種の古典的なマルチモーダル評価で最高水準の性 能と説明
  • 資料は VQAv2、OKVQA、TextVQA、COCO 字幕などで二位に挙がるとする
  • 資料は PaLI-X 55B を上回るか同等と説明

長所と短所

✓ 良い点

  • オープンソースの視覚言語モデル
  • 画像の描写・質問応答・位置特定が一つのモデルに揃う

! 注意したい点

  • 挙がる評価結果は資料の記述による
  • 資料は VQAv2、OKVQA、TextVQA、COCO 字幕などで二位と説明

よくある質問

画像に対して何ができる?

機能一覧は細部の正確な描写、さまざまな質問への回答、視覚的位置特定を挙げる。

CogVLM-17B の規模は?

資料は 100 億の視覚パラメータと 70 億の言語パラメータと説明。

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