マルチモーダル大規模言語モデル
文章だけでなく、画像や音声など複数の種類の情報をいっしょに扱える大規模なAIモデル。たとえば画像を見て説明文を作るなどができる。
たとえば: 文字だけの辞書ではなく、写真付きで説明してくれる百科事典のようなもの。
AIによる解説です。正確さは、別のAIで照合していますが、誤りが含まれる可能性があります。
この言葉が出てくる記事
- SafeDriveVLA:自然言語ナビの「危険な指示」に備えるための評価とVLA手法
自動運転VLAに対し、自然言語ナビが生む不安全/悪意ある指示の脆弱性を問題提起。ナビ追従とコンフリクト認識、敵対的頑健性を同時に測るベンチマークと、三段階モード予測+world model dreamingで対処するSafeDriveVLAを提案する。
