K

Kosmos 2 Patch14 224

ydshiehによって開発
Kosmos-2はマルチモーダル大規模言語モデルで、言語モデルと現実世界の視覚要素をアンカリングし、さまざまな視覚-言語タスクをサポートします。
ダウンロード数 62
リリース時間 : 7/29/2023

モデル概要

Kosmos-2はマイクロソフトが開発したマルチモーダル大規模言語モデルで、画像内容を理解しテキスト記述と関連付けることができます。画像キャプション、視覚的質問応答、マルチモーダル参照など、さまざまな視覚-言語タスクを実行できます。

モデル特徴

マルチモーダルアンカリング
テキストフレーズと画像中の視覚要素を正確にアンカリングできる
参照表現理解
画像中の特定領域に対応する参照表現を理解し位置特定できる
マルチモーダル参照生成
画像中の特定領域を記述する参照表現を生成できる
視覚的質問応答
画像内容に関する自然言語質問に回答できる

モデル能力

画像内容理解
視覚-言語関連付け
画像キャプション生成
視覚的質問応答
マルチモーダル参照
エンティティバウンディングボックスアノテーション

使用事例

画像理解
画像キャプション
入力画像に対して詳細または簡潔な記述を生成
画像中の主要エンティティとその関係を含む自然言語記述を生成
視覚的質問応答
画像内容に関する自然言語質問に回答
画像中のエンティティ、関係、シーンに関する質問に正確に回答
マルチモーダルインタラクション
参照表現理解
画像中の特定領域に対応する参照表現を理解し位置特定
テキストフレーズに対応する画像領域を正確に識別
参照表現生成
画像中の特定領域に対する参照表現を生成
画像中の特定領域を記述する自然言語フレーズを生成
AIbase
未来を切り開く、あなたのAIソリューション知識ベース
© 2025AIbase