本文へスキップ

InternLM-XComposer2

文章と画像が交じる内容を自由に合成し理解する

公式サイトを見る

InternLM-XComposer2 とは

本モデルは自由形式の文章画像の合成と理解を得意とする視覚言語モデルと紹介され、さまざまな入力から文章と画像が交じる内容を組み立てると説明されている。資料は InternLM2-7B をもとにし、部分 LoRA(PLoRA)という手法を挙げる。

できること

  • 自由形式で文章と画像を合成する
  • 文章画像の内容を理解する
  • 作り込める多モーダル内容を制作する
  • 輪郭、詳しい文章仕様、参照画像から交じる内容を組み立てる

活用場面

  • 文章と画像を混ぜた独自の内容を生成する
  • 多モーダル作品の制作を行う
  • 視覚言語理解の実験に用いる

モデルについて

  • 部分 LoRA(PLoRA)の手法を用いる
  • 画像トークンに追加の LoRA パラメータを当てる
  • 資料は学習済みの言語知識を保つと説明する
  • 正確な視覚理解と文学的な文章構成の釣り合いを図る

長所と短所

✓ 良い点

  • 輪郭、詳しい文章仕様、参照画像を入力にできる
  • PLoRA は学習済みの言語知識を保つと説明される

! 注意したい点

  • 資料が説明する基盤は InternLM2-7B
  • 内容の構築は与えた輪郭、文章仕様、参照画像に沿う

よくある質問

どんな入力を受け取る?

資料は輪郭、詳しい文章仕様、参照画像を挙げる。

PLoRA とは?

資料は画像トークンに追加の LoRA パラメータを当てる部分 LoRA の手法と説明。

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