本文へスキップ

Valley

文章、画像、動画を扱うマルチモーダルなモデル

公式サイトを見る

valley とは

本モデルは ByteDance による、文章と画像と動画にまたがって働くマルチモーダルな仕組みと説明されている。

できること

  • 投稿された画像と動画を分析して推薦に役立てる
  • 商品の画像を分析して見せ方を整える
  • 監視の動画をリアルタイムで分析する

気をつける点

  • 最初に Python と PyTorch の環境を用意する
  • 一覧に沿って依存パッケージを導入する
  • Valley-Eagle-7B などの事前学習済みの重みを取り込む

長所と短所

✓ 良い点

  • 視覚トークンの数を柔軟に変えられる
  • 追加のエンコーダは極端な場面を対象にする

! 注意したい点

  • Python と PyTorch の環境が必要
  • 依存パッケージは一覧に沿って導入する

よくある質問

扱うデータは?

資料では文章、画像、動画のデータを扱うと説明されている。

示されたスコアは?

カードには OpenCompass の平均スコアが 67.40 以上と記されている。

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