本文へスキップ

InternVL2_5-1B

画像・動画・文章を扱うマルチモーダルモデル

公式サイトを見る

InternVL2_5-1B とは

InternVL 2.5 の一連のマルチモーダル大規模言語モデルと紹介され、動的解像度の訓練で複数画像と動画のデータを扱う力を高めると説明されている。

始め方

  • 必要なライブラリ(torch、transformers)を入れる
  • AutoModel.from_pretrained でモデルを読み込む
  • 画像と文章の入力を用意し画像を前処理する

長所と短所

✓ 良い点

  • 資料は無作為な JPEG 圧縮と損失の重み直しを説明
  • 資料の選別の流れが質の低い標本を除く

! 注意したい点

  • 挙げられる構成は ViT-MLP-LLM の連なりに沿う
  • 推論前に画像と文章の入力を用意する

よくある質問

挙がる言語モデルは?

InternLM 2.5 と Qwen 2.5 が事前学習済みの言語モデルとして記載。

動的解像度の訓練が加えるものは?

資料は複数画像と動画のデータを扱う力を高めると説明。

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