VLM でスーパーマリオをクリアするのはなぜ難しいのかについてまとめました。 1. VLMでスーパーマリオをクリアするのはなぜ難しいのか 最近、VLM（Vision-Language Model）でゲームを攻略できないか、という話題をよく見かけます。画像を見て内容を理解できる ...

今回は以下の論文について紹介をしていきます。 最近、香港大学、UCバークレー、Google Deep Mind、ニューヨーク大学から出た論文であり、題名からわかるようにpost-trainingつまり、ファインチューニングに教師あり学習(SFT)と強化学習(RL)を使った場合の比較を ...

この資料では、VLM（大規模視覚言語モデル）の基礎から、LLM（大規模言語モデル）とVLMの違い、開発ステップや業界・分野での活用事例など、詳細な情報をわかりやすくまとめています。 特に、画像を用いた検索・解析や、画像処理と言語処理を統合したAI ...

ソフトバンクの子会社でAIの研究開発などを手掛けるSB Intuitions（東京都港区）は6月17日、大規模視覚言語モデル（VLM）の基礎などをまとめた資料「大規模視覚言語モデルの開発」を無料公開した。5月に開催した人工知能学会全国大会（JSAI）の講演で使用し ...

前回までは「gpt-oss-20b」を使ってテキストデータを用いたLLMの活用方法を解説してきた。テキストデータだけでも十分活用できるが、欲を言えば画像や動画、音声なども取り扱えるようにしたいところだろう。 そんな方に朗報だ。LM Studioではテキストデータ ...

株式会社日立ソリューションズ・テクノロジー(本社：東京都立川市、取締役社長：平間 顕一、以下、日立ソリューションズ・テクノロジー)は、映像や画像とテキストを統合的に理解するVision Language Model(以下、VLM)技術を活用し、フロントラインワーカーに ...