本文へスキップ

Ferret-UI-Llama8b

利用者インターフェースを中心に位置づけた multimodale なモデル

公式サイトを見る

Ferret-UI-Llama8b とは

本モデルは利用者インターフェース上の指示・位置・推論に向けた多モーダル大規模言語モデルと紹介されている。

できること

  • 必要な Python ファイルを手元に置く
  • 画像と提示の文を用意する
  • inference_and_run を呼び必要なら範囲を渡す

長所と短所

✓ 良い点

  • 画像と文に基づく対話に対応する
  • 画像の内容からの文生成を含む

! 注意したい点

  • 構成は利用者インターフェースの課題が中心
  • 推論には手元の Python ファイルと画像が要る

よくある質問

土台のモデルは?

資料は Gemma-2B と Llama-3-8B を挙げる。

範囲はどう指定する?

資料は推論の呼び出しに bounding box を渡すと説明。

最終評価日: 2026-11-15

その他 AIコーディングツール ツール

すべて見る →

評価方法