「第一の汎用ビジュアルと言語のAI LLaVA」

AI LLaVA The first general-purpose visual and language AI

LLaVA:GPT-4によるビジュアルと言語AIのギャップを埋める

オリジナルはlouisbouchard.aiに掲載されており、私のブログでも2日前に読んでください!

動画を見る!

GPT-4は強力ですが、それを利用して完全に構築されたAIがいくつか存在することを知っていますか? はい、GPT-4は非常に優れているため、他のAIモデルのトレーニングに十分なデータを生成するために使用できます。そして、それ以上のモデルを生成することができます! Liuらは、GPT-4を使用して言語ビジョンモデルであるLLaVAを作成しました。これは、視覚と言語に基づく指示を理解し、追従する最初の汎用モデルです。つまり、テキストと画像をほぼ完璧に理解できるモデルです。したがって、任意の画像に関して何でも質問できます。GPT-4はまだ画像を見ることができないが、テキスト処理には非常に優れているため、私たちは画像のキャプションを送信し、Q&Aのための質問、画像のより詳細な説明、さらには画像キャプションに関する推論的な質問と回答など、さまざまなタイプの出力を生成するようにお願いすることができます。これが著者が行ったことです。彼らはGPT-4モデルに役割と個性を与え、各画像の初期キャプションに基づいてさまざまなタイプのデータを生成するように求めました。

<img alt="「指示に従うデータの例。上部ブロックにはGPTを促すために使用されるキャプションやボックスなどのコンテキストが表示され、下部ブロックには3つのタイプの応答が表示されます。視覚画像はGPTを促すために使用されていないことに注意してください。ここでは参照のために表示しています。」画像とキャプションは論文から引用されています。

以下は、LLaVAの場合にGPT-4に与えられた指示の例です。これにより、言語モデルが画像をより深く理解できるようにするために、画像を簡潔に説明するように要求し、徹底的な説明や詳細な分析に至るまで進めます。

<img alt="簡潔な画像説明のための指示リスト。画像は論文から引用されています。

これらのユーザー生成のプロンプトとGPT-4が生成する回答は、さまざまな質問や回答、画像の説明で満たされた良質なデータセットを作成し、画像とテキストを処理できるマルチモーダルAIをトレーニングするために使用されます。

We will continue to update VoAGI; if you have any questions or suggestions, please contact us!

Share:

Was this article helpful?

93 out of 132 found this helpful

Discover more

人工知能

Midjourney v5.2の新しいズームアウト機能の使い方(最良の例)

Midjourney v5.2がリリースされ、期待を裏切りませんでしたズームアウト機能は素晴らしいです

AIニュース

「OpenAIがGPT-4の力を持つChatGPT Enterpriseを発表」

AI研究の先駆的な組織であるOpenAIは、人工知能の世界における興奮をもたらす新たな章を紹介しました – ChatGPT Enterp...

機械学習

『NVIDIAのCEO、ジェンソン・ファング氏がテルアビブで開催されるAIサミットの主演を務めます』

NVIDIAの創設者兼CEOであるJensen Huang氏は、10月15日から16日までテルアビブで開催されるNVIDIA AIサミットで、生成型AIと...

機械学習

高性能意思決定のためのRLHF:戦略と最適化

はじめに 人間の要因/フィードバックからの強化学習(RLHF)は、RLの原則と人間のフィードバックを組み合わせた新興の分野で...

AIテクノロジー

ウェブサイトのためにChatGPTに適切なテクニカルテキストを書かせる方法

「長いテキストを書くように依頼しないでくださいできるだけ多くの詳細と仕様を提供し、適切な言語を使用し、AIディテクター...

機械学習

「人工知能の世界を探索する:初心者ガイド」

この記事では、人工知能の新興で興奮するような分野について、さまざまなシステムの種類、リスク、利点について説明します