本文へスキップ

LLaVA-OneVision

一枚・複数・動画をまたぐマルチモーダルモデル

公式サイトを見る

LLaVA-OneVision とは

本モデルは大学との共同による大規模マルチモーダルモデルと紹介され、一枚の画像・複数の画像・動画を扱うと説明されている。

できること

  • 動画の中で際立つ題材を描写する
  • 画像と動画で同じ個体と関係を見分ける
  • 複数の画像を筋道立てて説明する

活用場面

  • 研究者が自動運転の周囲把握に用いる
  • 開発者が投稿動画へ印と説明を付ける
  • 企業が監視動画の異常な動きを解析する

長所と短所

✓ 良い点

  • 画像と動画で同じ個体を見分けられる
  • 静止画から詳しい動画制作の手がかりを得る

! 注意したい点

  • 挙がる力は場面をまたぐ移転に依存
  • 代理の例は iPhone の画面写真で示される

よくある質問

どの場面が挙がる?

資料は一枚の画像、複数の画像、動画の場面を挙げる。

代理の課題例は?

資料は iPhone の複数の画面写真を認め自動化の指示を出す例を挙げる。

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