SHIRITAS

用語集

Vision-Language-Action(VLA)モデル

画像などの視覚情報と言葉の指示を一緒に使って、次にどんな行動を取るかを決めるAIモデル。ロボットの操作の判断に使われる。

たとえば: 地図(視覚)と口頭の指示(言語)を合わせて、次の曲がり角でどう動くか決める運転手のようなもの。

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