本文へスキップ

EVE

エンコーダを持たない視覚と言語のモデル

公式サイトを見る

EVE とは

画像の縦横比を問わず扱える、エンコーダを持たない視覚・言語モデルです。33M 件の公開データで事前学習しています。

できること

  • 画像の説明文を生成する
  • 視覚質問応答の仕組みを開発する
  • 複数のモーダルにまたがるデコーダ構成を学ぶ

注意点

  • EVE-7B は 665K の LLaVA SFT データを使う
  • EVE-7B (HD) は 1.2M の SFT データを追加する
  • 学習は 8-A100 (40G) のノード 2 台で約 9 日

長所と短所

✓ 良い点

  • EVE-7B は 665K の LLaVA SFT データで学習
  • EVE-7B (HD) には追加で 1.2M の SFT データ

! 注意したい点

  • コードと README は GitHub から取得
  • 実行前に依存パッケージの導入が必要

よくある質問

事前学習のデータ量は?

資料では 33M 件の公開データと説明されています。

開発者は?

資料では複数の研究機関による共同開発と説明されています。

最終評価日: 2026-11-15

その他 AI画像生成 ツール

すべて見る →

評価方法