清華大学の智普AIチームは、CogAgentという視覚言語モデルを発表しました。このモデルは、グラフィカルユーザーインターフェース（GUI）の理解と操作の改善に焦点を当てており、複雑なGUI要素の処理に双方向エンコーダーシステムを採用しています。
高解像度入力の処理、PCとAndroidプラットフォームでのGUIナビゲーション、テキストとビジュアルの質疑応答タスクにおいて、優れた性能を示しています。CogAgentの潜在的な用途としては、GUI操作の自動化、GUIに関するヘルプやガイダンスの提供、そして新しいGUIデザインやインタラクション方法の促進などが挙げられます。
まだ開発初期段階ではありますが、このモデルはコンピューターとのインタラクション方法に大きな変化をもたらす可能性を秘めています。
今日のデータ可視化の分野において、複雑なデータを正確に反映した図表を生成することは依然として難しい課題です。図表は正確なレイアウト、色、テキストの位置を捉える必要があるだけでなく、これらの視覚的な詳細をコードに変換して、意図したデザインを再現する必要があります。しかし、従来の方法では、GPT-4Vなどの視覚言語モデル（VLM）への直接的なプロンプトに依存することが多く、複雑な視覚要素を構文的に正しいPythonコードに変換する際に困難に直面します。小さな間違いでも、図表がデザイン目標を達成できない可能性があります。
自動運転業界において、2025年は「VLA搭載元年」と見なされており、これは全く新しい技術パラダイムが台頭しつつあることを示しています。VLAとは、視覚言語行動モデル（Vision-Language-Action Model）のことで、2023年にDeepMindによって提案され、ロボットの環境理解と反応能力の向上を目指しています。近年、この技術は自動運転分野で大きな注目を集めています。従来の視覚言語モデル（VLM）と比較して、VLAは
