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

マルチモーダルタスク（画像検索、画像キャプション生成、医療診断など）において、視覚言語モデル（VLMs）は極めて重要な役割を果たしています。これらのモデルの目的は、視覚データと言語データを整合させることで、より効率的な情報処理を実現することです。しかし、現在のVLMsは否定表現の理解において依然として大きな課題に直面しています。否定表現は、「窓のない部屋」と「窓のある部屋」を区別するなど、多くの応用において極めて重要です。VLMsは著しい進歩を遂げていますが、否定的な記述を処理する際には、既存モデルの性能は依然として不十分です。

清華大学知普AIチームは、グラフィカルユーザーインターフェース（GUI）の理解とナビゲーションに特化した新しい視覚言語モデルCogAgentを発表しました。CogAgentは、複雑なGUI要素とテキストを処理するデュアルエンコーダーシステムを採用しており、1120x1120ピクセルの高解像度入力の処理において優れた性能を発揮します。このモデルは、PCおよびAndroidプラットフォームのGUIナビゲーションタスクにおいて、既存のLLM手法を上回り、テキストとビジュアルの質疑応答ベンチマークにおいても優れた性能を示しています。潜在的な用途としては、GUI操作の自動化、G…

新しく提案された画像推論ベンチマークHallusionBenchは、GPT-4Vなどの視覚言語モデルを検証するために使用され、言語的幻覚と視覚的錯覚の問題があることが発見されました。GPT-4Vなどのモデルは、HallusionBenchにおいて、パラメータ化されたメモリの影響を受けやすく、言語的幻覚による誤答率は最大90％に達します。GPT-4Vなどは、HallusionBenchにおいて幾何学的錯覚などの視覚的錯覚を生じやすく、現在の視覚能力はまだ限定的です。簡単な画像操作でGPT-4Vなどのモデルを簡単に誤導することができ、その脆さを反映しています。

アリババクラウドは、8月に汎用モデルQwen-7Bをオープンソースで公開したのに続き、視覚言語モデルQwen-VLをオープンソースで公開しました。Qwen-VLは、中国語と英語に対応しており、画像キャプション生成、画像質問応答、文書質問応答などが可能です。また、中国語のオープンな領域における視覚的ローカリゼーションにも対応し、画像内の検出ボックスに注釈を付けることができます。