本文へスキップ

SpatialVLM

画像中の空間関係について推論する

公式サイトを見る

SpatialVLM とは

SpatialVLM は大規模な合成データによる学習で空間推論の力を得た視覚言語モデルと説明されている。

できること

  • 定性的な空間関係を推論する
  • 距離と寸法を定量的に見積もる
  • 連鎖した多段の空間推論を行う

活用場面

  • 二つの物体のどちらがカメラに近いか判断する
  • 二つの物体の水平距離を見積もる
  • 机の上が正三角形を成すか判断する

長所と短所

✓ 良い点

  • 連鎖した多段の空間推論に対応
  • ロボット制御への報酬を与えられる

! 注意したい点

  • 大規模な合成データで学習
  • 推論は画像中の空間関係を軸にする

よくある質問

誰が開発した?

資料は Google DeepMind を挙げる。

何を見積もれる?

資料は距離と寸法の定量的な見積もりを挙げる。

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