本文へスキップ

InternVL

視覚言語の課題向けオープンソース視覚基盤モデル

公式サイトを見る

InternVL とは

本モデルは ViT を拡張し言語モデルと位置合わせして構築したオープンソース視覚基盤モデルと紹介されている。資料が挙げる課題は視覚知覚、モーダル横断検索からマルチモーダル対話にまで及ぶ。

できること

  • 画像分類を行う
  • 意味分割を行う
  • 動画の分類を行う
  • 画像と文章の検索、視覚言語のモデル化を行う

使用例

  • InternViT-6B を使って画像を分類する
  • InternVL-C で画像と文章の検索を行う
  • InternVL-Chat で視覚質問応答を行う

モデルについて

  • ViT を 60 億パラメータへ拡張
  • 視覚モデルと言語モデルを位置合わせ
  • 14B のオープンソース視覚基盤モデルを構築
  • 資料が幅広い課題で 32 件の SOTA 性能を列挙

長所と短所

✓ 良い点

  • 60 億パラメータの視覚モデルと言語モデルの位置合わせ
  • 分類・検索・視覚質問応答に具体の系列を挙げる

! 注意したい点

  • 挙がる用例は特定のモデル系列に結びつく
  • 視覚の課題は言語モデルとの位置合わせを伴う

よくある質問

モデルの規模は?

資料は ViT を 60 億パラメータへ拡張し、言語モデルと合わせて 14B の基盤モデルとしたと説明。

挙がる対象分野は?

資料はコンピュータビジョン研究とマルチモーダル応用開発を挙げる。

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