本文へスキップ

NVLM

視覚と言語のタスクに向けたオープンなマルチモーダル LLM

公式サイトを見る

nvlm とは

本プロジェクトは視覚と言語のタスク向け NVLM 1.0 のマルチモーダルな大規模言語モデル群。重みとコードをコミュニティと共有している。

できること

  • 画像の説明生成を動かす
  • 視覚質問応答を試す
  • 学習後のテキスト性能を比べる

始め方

  • プロジェクトのサイトを開く
  • 公開された重みとコードを入手する
  • 環境を整えてモデルを読み込む

長所と短所

✓ 良い点

  • 重みとコードがコミュニティに開かれている
  • GPT-4o や Llama 3-V 405B との比較が資料にある

! 注意したい点

  • 利用前に環境と依存関係を整える
  • 重みとコードは各自で入手する

よくある質問

何が公開された?

モデルの重みとコードがオープンに公開されている。

どのタスクが挙がる?

画像の説明生成と視覚質問応答が挙げられている。

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