本文へスキップ

VCoder

多モーダル言語モデルの物体認識を補うアダプタ

公式サイトを見る

VCoder とは

本アダプタは補助的な知覚様式により多モーダル大規模言語モデルの物体単位の視覚課題を高めるものと紹介されている。

できること

  • 多モーダル言語モデルの画像処理を助ける
  • 物体単位の視覚課題の成績を上げる
  • 事前学習モデルを読み込み画像理解に使う

モデルについて

  • VCoder LLaVA は LLaVA-1.5 を土台にする
  • COST データセットの評価は意味・インスタンス・パノラマ分割を扱う
  • 検出結果と事前学習モデルが公開された

長所と短所

✓ 良い点

  • 一般的な質問応答の成績は LLaVA-1.5 と同じ
  • 意味・インスタンス・パノラマ分割で評価された

! 注意したい点

  • 土台は LLaVA-1.5
  • 評価は COST データセットで行われた

よくある質問

LLaVA-1.5 のパラメータは変わる?

資料は微調整を行わないと説明。

何が公開された?

作者が検出結果と事前学習モデルを公開した。

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