本文へスキップ

Migician

自然言語で複数画像の対象を位置特定

公式サイトを見る

Migician とは

本モデルは清華大学の自然言語処理研究室による複数画像の位置特定向けマルチモーダル大規模言語モデルと紹介される。資料は新しい学習の枠組みと大規模なデータセットが位置特定の精度を高めると説明する。

できること

  • 自然言語の指示で対象を位置特定する
  • 物体・差分・自由形式の位置特定に取り組む
  • 直接推論か連鎖的な推論を用いる

モデルについて

  • MGrounding-630k は 63 万件の課題を収める
  • MIG-Bench で既存モデルとの成績が示される
  • モデルは Hugging Face で公開される

長所と短所

✓ 良い点

  • 一般的な物体、画像の差分、自由形式の位置特定を扱う
  • Hugging Face でオープンソースとして公開

! 注意したい点

  • 位置特定は与えた自然言語の指示に従う
  • 資料は MIG-Bench で 70B モデルと比較

よくある質問

どんなデータセット?

資料は MGrounding-630k に 63 万件の位置特定課題が収まると説明。

モデルはどこで得られる?

資料は Hugging Face でオープンソースとして公開と説明。

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