本文へスキップ

Mini-Gemini

画像の理解と生成を兼ねるマルチモーダルモデル

公式サイトを見る

Mini-Gemini とは

本モデルは香港中文大学の研究チームが開発したマルチモーダルモデルと紹介され、正確な画像理解と良質な学習データを備えると説明されている。資料は画像の推論と生成を組み合わせ、規模の異なる版を用意し、性能を GPT-4 や DALL-E 3 に匹敵すると述べる。

できること

  • 画像を理解し生成する
  • 高解像度の画像を扱う
  • マルチモーダル入力を処理する
  • テキスト指示から画像を生成し画像内容を分析・比較する

モデルについて

  • Gemini の視覚における二つの分枝からの情報抽出と SDXL 技術を用いる
  • 畳み込みネットワークで画像を符号化し注意機構で情報を掘り起こす
  • 大規模言語モデルが文章を作り二つのモデルをつなぐ
  • 規模の異なる版が提供される

資料に挙がる例

  • 画像の内容に沿ってパンの作り方を案内する
  • パソコンの画像に写る仕様を比べる
  • 毛糸の小熊の絵を生成する

長所と短所

✓ 良い点

  • 資料は正確な画像理解と良質な学習データを説明
  • 画像の推論と生成の両方を扱う

! 注意したい点

  • 画像生成は資料に挙がる SDXL 技術に結びつく
  • 二つのモデルの連結は大規模言語モデルが作る文章に依存

よくある質問

開発者は?

資料は香港中文大学の研究チームを挙げる。

どんな手法が挙がる?

資料は視覚の二つの分枝からの情報抽出、SDXL、畳み込みネットワークによる符号化、注意機構、大規模言語モデルによる文章を挙げる。

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