人工知能は画像認識分野で非常に盛んです。猫や犬の分類などはもう時代遅れで、今では「連想ゲームPlus版」のような、例えばある特定の年式の特定のモデルのスポーツカーであること、あるいはある鳥の眉毛が隣の家の王さんの眉毛よりもわずかに太いかどうかなどを瞬時に識別することが流行しています。しかし、問題はあります。ニューラルネットワークは賢いのですが、「なぜこれがこれだと判断したのか？」を説明しようとすると、まるでテストで解法を説明できない生徒のように、支離滅裂でまともな説明ができません。従来のClass Activation Map（クラス活性化マップ）は…

テンセント元宝の今回のアップグレードは、「混元+DeepSeek」デュアルモード統合技術の適用が中心です。従来、DeepSeekは主に情報抽出、いわば「スキャナー」としての役割を担っていました。しかし、テンセント混元マルチモーダル技術の活用により、今日のDeepSeekは画像の細部、雰囲気、さらには隠された意味を真に理解できるようになりました。この変化により、テンセント元宝は画像を「理解」し、独自の分析と解釈を提供できるようになりました。

阿里云通義千問は、新しいビジョンモデルQwen2.5-VLをオープンソース化し、3B、7B、72Bの3つのサイズバリアントを発表しました。その中でも、フラッグシップモデルであるQwen2.5-VL-72Bは、13の権威ある評価で視覚理解において1位を獲得し、GPT-4oとClaude 3.5を上回りました。阿里云公式の説明によると、新しいQwen2.5-VLは画像の内容をより正確に解析でき、画期的に1時間以上のビデオ理解に対応できるようになりました。このモデルはビデオ内で特定のイベントを検索し、ビデオの不…

2025年1月15日、北京月面暗黒科技有限公司は、新たな多モーダル画像理解モデルmoonshot-v1-vision-previewの正式公開を発表しました。このモデルはmoonshot-v1モデルシリーズの多モーダル能力を向上させ、Kimiによる世界理解を支援します。Visionモデルは強力な画像認識能力を備え、画像内の複雑なディテールや微妙な違いを正確に識別できます。食べ物や動物など、類似しているが異なるオブジェクトを区別することも可能です。例えば、16...

2024年12月18日開催の火山引擎 FORCE 原動力大会において、火山引擎は豆包大規模言語モデルファミリーの全面的なアップグレードを発表し、新しい画像理解モデルを重点的にリリースしました。火山引擎社長の譚待氏は、豆包大規模言語モデルの1日あたりのトークン使用量が過去数ヶ月で急増し、4兆を超え、5月のリリース時と比較して33倍に増加したと述べました。この増加傾向は、豆包大規模言語モデルが多くのアプリケーションシナリオで広く使用されていることを示しています。今回の画像理解モデルのリリースにより、

月面暗面は本日、新しいビジュアル思考モデルk1を発表しました。このモデルは強化学習技術に基づいており、エンドツーエンドの画像理解をサポートするだけでなく、思考連鎖技術も統合することで、数学以外のより多くの基礎科学分野（物理学や化学など）に能力を拡張しています。ベンチマークテストでは、k1モデルはOpenAIのo1、GPT-4o、Claude3.5Sonnetなどの世界をリードするベンチマークモデルを上回るパフォーマンスを示しました。

バイトダンス社は最近、Doubaoアプリに新しい機能「画像理解」を追加しました。DoubaoアプリとPC版に写真とカメラボタンが追加され、ユーザーは画像をアップロードしてシステムに画像の内容を認識させることができます。Doubaoの画像理解機能は、文字認識だけでなく、画像の内容を解析し、ジョークを理解して説明することもできます。

今日のテクノロジー分野において、CLIP（Contrastive Language-Image Pre-training）は重要なマルチモーダル基盤モデルです。大規模な画像・テキストペアに対してコントラスティブ学習損失を用いることで、視覚信号とテキスト信号を共通のフィーチャ空間へと統合します。CLIPは、検索エンジンとしてゼロショット分類、検出、セグメンテーション、画像・テキスト検索などの様々なタスクをサポートします。同時に、特徴抽出器としても、ほぼあらゆる…

人工知能を活用した画像生成と理解の分野では、急速な進歩にもかかわらず、シームレスで統一的な手法の発展を妨げる大きな課題が残されています。現在、画像理解に特化したモデルは高品質な画像生成においてしばしば劣るパフォーマンスを示し、その逆も同様です。このようなタスク分割型のアーキテクチャは複雑性を増すだけでなく、効率性を制限し、理解と生成の両方が必要なタスクの処理を煩雑にしています。さらに、多くの既存モデルは、どちらかの機能を効果的に実行するためにもアーキテクチャの変更や事前学習済みコンポーネントに過度に依存しており、パフォーマンスのトレードオフが生じています。

イーロン・マスク率いるxAI社は先日、AIモデルGrokに画像理解機能を追加しました。Xプラットフォームの有料ユーザーは、AIアシスタントに画像をアップロードして質問できるようになりました。このアップデートは、xAIの従業員とGrokの公式スポークスパーソンによってXプラットフォームで正式に確認されています。マスク氏はプラットフォーム上でGrokの新機能を披露し、画像の内容を理解するだけでなく、画像に含まれるユーモアの要素も解釈できると述べました。しかし、彼は現在この機能はまだ初期段階にあり、チームは継続的に改善していくと述べています。注目すべきは、今年8月から提供されている…

アップルは、同社のマルチモーダルAIモデルであるMM1に大幅なアップデートを提供し、MM1.5バージョンにアップグレードしました。今回のアップグレードは単なるバージョン番号の変更ではなく、あらゆる分野でより強力なパフォーマンスを示す包括的な能力向上です。MM1.5の中核となるアップグレードは、革新的なデータ処理方法にあります。このモデルはデータ中心のトレーニング方法を採用し、トレーニングデータセットを厳選して最適化しました。具体的には、MM1.5は高解像度のOCRデータと合成画像説明、および最適化された…

Microsoftは、テキストとビジュアル入力を処理するように設計された、軽量でマルチモーダルなオープンソースAIモデルであるPhi-3.5-visionを発表しました。128Kコンテキスト長をサポートし、リソースの少ない環境に適しています。画像理解、OCR、グラフ解析、複数画像のサマリーなどの機能を備え、優れたパフォーマンスと低遅延を実現します。42億パラメーターで構成され、高品質なデータでトレーニングされているため、パフォーマンスとプライバシーが確保されています。軽量AI、エキスパートミックス、マルチモーダルモデルの3つのモデルが含まれており、いずれも画像とビデオ処理のベンチマークテストで優れた結果を示しています。