Migicianは、清華大学自然言語処理研究室が開発した多モーダル大規模言語モデルであり、複数の画像の配置タスクに特化しています。革新的なトレーニングフレームワークと大規模データセットMGrounding-630kを導入することで、複数の画像シーンにおける精密配置能力を大幅に向上させました。既存の多モーダル大規模言語モデルを凌駕するだけでなく、70Bというより大規模なモデルをも性能で上回っています。Migicianの主な利点は、複雑な複数の画像タスクを処理し、自由形式の配置指示を提供できることであり、複数の画像の理解分野において重要な応用可能性を秘めています。このモデルは現在、Hugging Faceでオープンソースとして公開されており、研究者や開発者が利用できます。