SHIRITAS

用語集

VLAモデル

視覚情報と言語の指示を受け取り、行動の出力まで結びつけるモデルのこと。画像と言葉を理解して、次に何をするかを決める用途で使われる。

たとえば: 地図(視覚)と目的地の指示(言語)を読んで、次の一手を判断するナビ係みたいなもの。

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