本文へスキップ

LLaVA-o1

段階的に推論する視覚言語モデル

公式サイトを見る

LLaVA-o1 とは

本モデルは画像と言語を合わせて扱い、段階を追って推論する視覚言語モデルと説明されている。

できること

  • 問いを段階に分けて考える
  • 画像と言語の情報を結び付ける

導入の手順

  • コードと学習済みの重みを取得する
  • 必要なライブラリを揃えて環境を整える

長所と短所

✓ 良い点

  • arXiv に論文が掲載される
  • 画像と言語を共に扱える

! 注意したい点

  • 実行環境と依存ライブラリの整備が要る
  • 推論前に学習済みの重みを読み込む

よくある質問

開発元は?

資料は北京大学のチームを挙げる。

何が公開される?

資料はコードと学習済みの重みを挙げる。

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