本文へスキップ

EAGLE

視覚エンコーダを混ぜた高解像度のマルチモーダルモデル

公式サイトを見る

EAGLE とは

本モデル群は視覚を中心にしたマルチモーダル LLM と紹介され、視覚エンコーダと入力解像度の組み合わせで知覚を強めると説明されている。

できること

  • 1K を超える入力解像度
  • CLIP+X による視覚エンコーダの融合
  • 事前学習済みモデルと微調整データ

活用場面

  • 自動運転で道路標識と信号を読み取る
  • 医療画像の模様と異常を見分ける
  • 接客で画像とテキストの問いに応じる

長所と短所

✓ 良い点

  • 資料は訓練と推論のコードを挙げる
  • 資料は混合モーダルを含む複数入力に触れる

! 注意したい点

  • 資料が説明する設計は複数の視覚エンコーダを混ぜる
  • 資料は文字認識と文書理解を特に挙げる

よくある質問

対応する解像度は?

資料は 1K を超える入力解像度と説明。

何が公開される?

資料は事前学習済みモデル、微調整データ、訓練と推論のコードを挙げる。

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