本文へスキップ

VLM-R1

強化学習による視覚と言語のモデル

公式サイトを見る

VLM-R1 とは

本モデルは視覚の理解課題に向けた強化学習の視覚言語モデルと紹介され、Qwen2.5-VL を土台にしている。

できること

  • 画像の中の名指しされた対象を認める
  • 任意のデータを読み込み学習に使う
  • 学習と評価のスクリプトを動かす

導入の手順

  • 保管庫を複製し依存を導入する
  • COCO の画像と参照表現の注釈を用意する
  • rec.yaml にデータの場所を記す
  • GRPO の学習スクリプトを動かす

長所と短所

✓ 良い点

  • 学習と評価のスクリプトが用意される
  • 任意のデータの読み込みと処理に対応

! 注意したい点

  • データの場所は rec.yaml で定める
  • 学習は GRPO のスクリプトを通す

よくある質問

土台は何?

資料は Qwen2.5-VL を土台と説明。

学習手法は?

資料は GRPO を挙げる。

最終評価日: 2026-11-15

その他 AI画像生成 ツール

すべて見る →

評価方法