本文へスキップ

Vary-toy

Qwen-1.8B を土台にした小型の Vary モデル

公式サイトを見る
カテゴリ AIモデル

Vary-toy とは

本モデルは Qwen-1.8B を土台にした小型の Vary と紹介され、改良した視覚語彙によって扱える範囲が広がる。

できること

  • 一般的な GPU で文書の視覚質問応答を行う
  • 一般的な GPU でグラフの質問応答を行う
  • 一般的な GPU で参照表現の実験を行う

モデルの注記

  • 自然画像の負例を物体検出による正例に差し替える
  • RefCOCO で 88.1% の正答率が報告される
  • MMVet で 29% の正答率が報告される

長所と短所

✓ 良い点

  • 自然の物体に対応する視覚情報を効率よく符号化する
  • 四つのベンチマークで結果が報告される

! 注意したい点

  • 土台の言語モデルは Qwen-1.8B
  • 資料には一般的な GPU での学習とある

よくある質問

土台のモデルは?

資料には Qwen-1.8B を土台の言語モデルとある。

報告された ANLS は?

資料には DocVQA で 65.6% の ANLS とある。

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