推論過程を書き出すホワイトボードを与えることで、LLMの視覚的推論能力が大きく向上！？
推論過程を書き出すホワイトボードを与えることで、LLMの視覚的推論能力 ...
Prompting Method
マルチモーダル
【SKETCHPAD】マルチモーダル言語モデルの推論を中間スケッチで強化
【SKETCHPAD】マルチモーダル言語モデルの推論を中間スケッチで強 ...
Large language models
【Plot2Code】マルチモーダルLLMのコード生成をテストするベンチマーク
【Plot2Code】マルチモーダルLLMのコード生成をテストするベン ...
Large language models
Cross-Layer AttentionによってTransformerのメモリを大幅に削減
Cross-Layer AttentionによってTransforme ...
Transformer
GPT-4Vを用いた一般化感情認識（GER）の総合的評価
GPT-4Vを用いた一般化感情認識（GER）の総合的評価
Large language models
【MMSEARCH】画像とテキストを統合したマルチモーダル検索システム
【MMSEARCH】画像とテキストを統合したマルチモーダル検索システム
Large language models
生成モデルと大規模言語モデルによって進化するレコメンドシステムGen-RecSysの体系的な調査
生成モデルと大規模言語モデルによって進化するレコメンドシステムGen- ...
Large language models
【Qwen2-VL】画像や動画を異なる解像度で処理できる最新VLM
【Qwen2-VL】画像や動画を異なる解像度で処理できる最新VLM
Large language models
【NVLM】画像と言語タスクにおいてGPT-4oを上回るマルチモーダルLLM
【NVLM】画像と言語タスクにおいてGPT-4oを上回るマルチモーダル ...
Large language models
AI×職人技で生まれた「恋の味」がするパン
AI×職人技で生まれた「恋の味」がするパン
Human-Computer Interaction
モバイルUI向けマルチモーダル大規模言語モデル「Ferret-UI」
モバイルUI向けマルチモーダル大規模言語モデル「Ferret-UI」
Large language models
【音声と画像の融合！？】マルチモーダル手法”AV-HuBERT”は構音障害者音声認識でも輝くのか！
【音声と画像の融合！？】マルチモーダル手法”AV-HuBERT”は構音 ...
Speech Recognition for the Dysarthric
SkySense: マルチモーダルなリモートセンシングFoundationモデル
SkySense: マルチモーダルなリモートセンシングFoundati ...
CVPR
インフォグラフィックスからUIまで画像とテキストを理解する「ScreenAI」
インフォグラフィックスからUIまで画像とテキストを理解する「Scree ...
Large language models