本文へスキップ

Pali3

画像をエンコードし回答を生成する視覚言語モデル

公式サイトを見る

Pali3 とは

本モデルは画像をエンコードし、その結果を問い合わせとともにエンコーダ・デコーダ型 Transformer へ渡して求める回答を生成する視覚言語モデルと説明されている。

できること

  • モデル内で画像と文章をエンコードする
  • エンコードした入力から文章を生成する
  • 画像分類とキャプション作成に用いる
  • 画像についての質問応答に用いる

モデルについて

  • 訓練は単一モーダルの事前学習とマルチモーダル訓練を経る
  • 後段で解像度を上げ作業の専門化を行う
  • 資料は構造が単純で処理が速いと説明
  • 資料は無料・オープンソースと説明

長所と短所

✓ 良い点

  • 資料は構造が単純で処理が速いと説明
  • 画像分類・キャプション作成・画像についての質問応答を扱う

! 注意したい点

  • 回答はエンコーダ・デコーダ型 Transformer が生成
  • 訓練は複数の段階に分かれる

よくある質問

どんな作業に向くと説明?

資料は画像分類、画像へのキャプション付け、画像についての質問応答を挙げる。

料金は?

資料は無料・オープンソースと説明。

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