「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

AIテクノロジー

「AIサービスへの大胆な進出:億万長者ビンニー・バンサールの大局変革」

テクノロジーと電子商取引の世界では、Binny Bansalの名前はよく知られています。オンライン小売り大手Flipkartの共同創設者...

データサイエンス

「枝は何も必要ありません:私たちの主観的なMLバージョニングフレームワーク」

「Gitブランチを使用したMLプロジェクトのバージョニングを簡素化し、ワークフローをシンプルにし、データとモデルを整理し、...

AIニュース

オープンAIのファンクションコーリング入門

Forbesによると、AI市場は2030年までに$1,811.8 billionに到達すると予想されています。Davinci、GPT Turbo、GPT Turbo 3.5、...

人工知能

テスト自動化のためのトップ5のAIパワードツール

テスト自動化のためのトップ5のAIパワードツール:Perfecto Scriptless Mobile、Applitools、Functionize、AccelQ、TestimAI...

機械学習

BYOL(Bootstrap Your Own Latent)— コントラスティブな自己教示学習の代替手段

『今日の論文分析では、BYOL(Bootstrap Your Own Latent)の背後にある論文に詳しく触れますこれは、対比的な自己教師あり学...

機械学習

エンタープライズAIとは何ですか?

エンタープライズAIの紹介 時間は重要であり、自動化が答えです。退屈で単調なタスク、人間によるミス、競争の混乱、そして最...