本文へスキップ

InternViT-6B-448px-V2_5

多言語 OCR と数式図表に強い視覚モデル

公式サイトを見る

InternViT-6B-448px-V2_5 とは

InternViT-6B-448px-V1-5 を土台にした強化版の視覚モデルと説明され、ViT の追加学習と NTP 損失で特徴抽出を高める。InternVL 2.5 ファミリの ViT-MLP-LLM 構成を保ち、手薄な分野を狙う。

できること

  • 画像分類に向けた特徴を取り出す
  • 多言語文書の OCR データを扱う
  • 教育の場で数式図表を認識する

始め方

  • 必要なライブラリを用意する
  • Hugging Face のモデル庫から読み込む
  • 画像を開いて RGB に整える
  • 画像処理の手順でピクセル値を得る

長所と短所

✓ 良い点

  • 追加学習が手薄な分野を狙う
  • 三つの学習段階がマルチモーダルな力を高める

! 注意したい点

  • 前身の V1-5 を土台にしている
  • LLM との接続には初期化した MLP 投影器を使う

よくある質問

どのファミリに属する?

資料では InternVL 2.5 ファミリの一部とされている。

重視される分野は?

多言語 OCR や数式図表など手薄な分野が挙げられている。

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