grounded visual views
言葉や対象が、画像のどの部分に対応するかが結び付けられた見え方(表示)のこと。視覚情報を、対象や意味と対応づけて扱える状態を指す。
たとえば: 地図にピンを立てて「この名前はこの場所」と分かるようにする感じ。
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
- マルチモーダルエージェントの長期対話向けメモリ枠組み「HiVe-Mem」:水平拡張と垂直合成
HiVe-Memは、長い対話履歴からの情報活用を狙い、関係グラフでの「水平」拡張と証拠形式の「垂直」合成を組み合わせる。3ベンチマークで性能改善を示し、トークン消費を約90%削減したと報告する。
