タグ: #VLM

← すべての記事

• ビジョン言語モデルはなぜ判定できないのか：1秒に1枚、秒単位の時刻、そしてテニスベンチマーク

  映像を見て言葉で説明するビジョン言語モデル（VLM）に「このラリーはどちらが勝ったの？」と聞いてはいけないでしょうか。公式ドキュメントによると、Geminiは映像をデフォルトで1秒に1枚抽出し、リアルタイムのLive APIでは1秒に1枚が上限であり、時刻はMM:SS（秒単位）で扱われます。60fpsの1フレームは16.7ms、サーブの2つのバウンドの間隔は0.4秒前後であるため、得点を決める瞬間が入力に含まれません。テニス映像理解ベン

  2026-10-13 · 8 分で読めます #TT Score#탁구#영상-언어 모델#VLM#Gemini