複数の画像について質疑応答できる日本語視覚言語モデル、Sakana AIが公開／「進化的モデルマージ」で構築、非英語圏における嚆矢に

ツイート

AIスタートアップのSakana AI（株）は8月2日、複数の画像について質疑応答できる日本語視覚言語モデル（VLM）「Llama-3-EvoVLM-JP-v2」および、複数の画像に関する日本語での質疑応答能力を評価するためのデータセット「Japanese multi-images visual question answering（JA-Multi-Image-VQA）」を公開した。Hugging Face上ではすぐに試せるデモも用意されている。