VLM
画像などの視覚情報と文章を一緒に扱える学習モデルの総称。画像と言葉の対応づけや理解に使われる。
たとえば: 写真を見せると、内容を言葉で説明したり質問に答えたりできる人に似ている。
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
- ロボット行動モデルを「安く」見積もる指標:Sensorimotor Alignment(S^2)の提案
高コストな閉ループ評価に代わる手段として、学習不要のオフライン指標S^2を提案。感覚表現と物理運動の幾何の整合を測り、タスク成功と正に相関すると報告する。モデル選別や現象理解への活用も述べる。
