本文へスキップ

InternVL2_5-2B

画像・動画・テキストを扱うマルチモーダルモデル

公式サイトを見る
カテゴリ AIモデル

InternVL2_5-2B とは

本モデルは InternVL 2.5 の系列に属し、中核の構成を保ちながら学習手法と資料の質を高めたマルチモーダルモデル。

できること

  • 動的高解像度で複数画像と動画を学習する
  • MLP 投影器で視覚符号化器と言語モデルを結ぶ
  • 多段の学習の流れを実行する

資料に挙がる例

  • 通販の商品画像に詳しい説明を付ける
  • 画像を添えた語学学習の教材を作る
  • 監視動画から異常な振る舞いを見つける

長所と短所

✓ 良い点

  • 多段の学習で投影器を慣らす
  • 段階的な拡大で視覚符号化器を揃える

! 注意したい点

  • 入力には画像と関連するテキストを揃える必要がある
  • モデルは配布サイトのページと API から利用する

よくある質問

どんな構成?

資料は MLP 投影器を伴う ViT-MLP-LLM 構成を挙げる。

扱える入力は?

資料は複数画像と動画のデータを挙げる。

最終評価日: 2026-11-15

その他 LLM APIプラットフォーム ツール

すべて見る →

評価方法