# 視覚推論

Llama 4 ScoutはMetaが開発したネイティブマルチモーダルAIモデルで、多言語テキストと画像の理解をサポートし、ハイブリッドエキスパートアーキテクチャを採用しており、テキストと画像の理解において業界をリードする性能を持っています。

LLaVAはオープンソースのマルチモーダルチャットボットモデルで、Transformerアーキテクチャに基づき、GPTが生成したマルチモーダル指令追従データでLLaMA/Vicunaを微調整することで得られます。