本文へスキップ

Florence-VL

生成型の視覚符号化を採る視覚言語モデル

公式サイトを見る

Florence-VL とは

Florence-VL は生成型の視覚エンコーダーと深さ広さの融合を採る視覚言語モデルと紹介され、LLaVA を土台にすると説明されている。

できること

  • 事前学習と微調整のコードを動かす
  • 3B か 8B のモデルファイルを選ぶ
  • Hugging Face のデモを試す

導入の手順

  • Python の仮想環境を作り依存を入れる
  • 事前学習用と指示用のデータを落とす
  • 自分の場所に合わせ訓練の設定を書く
  • 訓練の脚本を走らせる

モデルについて

  • 導入と使い方の文書が付く
  • 複数様式の評価に使える道具が挙がる
  • 深さ広さの融合は複雑な課題を狙う

長所と短所

✓ 良い点

  • 導入と使い方の文書が添えられる
  • 複数様式の評価を行う道具に対応

! 注意したい点

  • 手始めは Python の仮想環境づくり
  • 学習にはデータ群と訓練の設定が要る

よくある質問

規模はどれだけ?

資料は 3B と 8B のモデルファイルを挙げる。

土台は?

資料は LLaVA を土台に開発と説明。

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