タグ: #LLaVA

← すべての記事

• ビジョン・言語モデルとストリーミング：どのように学習させ、なぜスポーツベンチマークで弱いのか

  動画を見て言葉で答えるビジョン・言語モデル（Video-LLM）がどのように学習されるのか、そしてテニスや卓球のような速いラケットスポーツのベンチマークでなぜ人間の半分程度の水準にとどまるのかをまとめます。画像エンコーダーと言語モデルをつなぐ2段階学習（LLaVA）、フレームをトークンに圧縮して実際の時刻を位置エンコーディングに組み込む方法（Qwen2.5-VL）、リアルタイム実況のための3つの仕組み（発話タイミングを合わせる損失、字幕

  2026-10-17 · 17 分で読めます #비전 모델#영상-언어 모델#LLaVA#Qwen2.5-VL#스트리밍