AIbase
JA
ホーム
Vilt Gqa Ft
V

Vilt Gqa Ft

phucdによって開発
ViLTアーキテクチャに基づく視覚言語モデル、GQA視覚推論タスク向けにファインチューニング
テキスト生成画像
Transformers
#視覚的推論#マルチモーダル質問応答#実世界シーン理解
ダウンロード数 62
リリース時間 : 4/18/2025

モデル概要

このモデルはViLT(Vision-and-Language Transformer)アーキテクチャに基づく視覚言語モデルで、GQA(実世界視覚推論データセット)でファインチューニングされており、視覚推論タスクの処理に優れています。

モデル特徴

視覚言語統合モデリング
ViLTアーキテクチャを採用し、視覚と言語入力を同時に処理し、クロスモーダル理解を実現
GQAデータセットファインチューニング
GQA視覚推論データセットに特化して最適化され、実世界シーンの推論能力を向上
効率的なトレーニング
勾配蓄積などの技術でトレーニング効率を最適化し、バッチサイズ32を達成

モデル能力

視覚的質問応答
画像理解
クロスモーダル推論
シーン理解

使用事例

スマートアシスタント
画像内容質問応答
画像内容に関する複雑な質問に回答
画像シーンを理解し推論的な質問に回答可能
教育
視覚学習支援
学生が複雑な視覚シーンを理解するのを支援
おすすめAIモデル
Llama 3 Typhoon V1.5x 8b Instruct
タイ語専用に設計された80億パラメータの命令モデルで、GPT-3.5-turboに匹敵する性能を持ち、アプリケーションシナリオ、検索拡張生成、制限付き生成、推論タスクを最適化
大規模言語モデル Transformers 複数言語対応
L
scb10x
3,269
16
Cadet Tiny
Openrail
Cadet-TinyはSODAデータセットでトレーニングされた超小型対話モデルで、エッジデバイス推論向けに設計されており、体積はCosmo-3Bモデルの約2％です。
対話システム Transformers 英語
C
ToddGoldfarb
2,691
6
Roberta Base Chinese Extractive Qa
RoBERTaアーキテクチャに基づく中国語抽出型QAモデルで、与えられたテキストから回答を抽出するタスクに適しています。
質問応答システム 中国語
R
uer
2,694
98
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
English简体中文繁體中文にほんご
© 2025AIbase