マルチモーダル翻訳

ビジョン言語モデル

視覚情報と言語情報を組み合わせたコンテンツを理解・生成するために設計されたAIモデル（ViT、BLIP、ALIGNなど）。大規模な画像-テキストコーパスでの事前学習を通じて共同表現を学習する。

← 戻る