本文へスキップ

InternVL2_5-4B-MPO

選好最適化を採り入れたマルチモーダルモデル

公式サイトを見る

InternVL2_5-4B-MPO とは

本モデルは InternVL2.5 と混合選好最適化に基づく大規模マルチモーダル言語モデルと紹介され、視覚と言語の要素を MLP 投影器で統合すると説明されている。

できること

  • 画像と動画のデータから説明を生成する
  • 動画の内容に自動で注釈と要約を付ける

モデルの準備

  • 読み込み前に Transformers と Torch を入れる
  • 画像のサイズを変え形式を整える

長所と短所

✓ 良い点

  • 複数画像と動画のデータを扱える
  • 資料にはマルチモーダル選好データセットの設計も含まれる

! 注意したい点

  • 読み込み前に Transformers と Torch の導入が要る
  • 推論前に画像のサイズ変更と形式変換が要る

よくある質問

何に基づく?

資料は InternVL2.5 と混合選好最適化を挙げる。

読み込み方法は?

資料は Transformers の AutoModel.from_pretrained を記載。

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