GLOSSARY

flamingo

画像と文を一緒に扱うDeepMindのモデル

2本の論文題名に登場

定義

DeepMind が発表した視覚言語モデルで、画像と文が交互に並んだ入力を受け取り、少数の例だけを見せて新しい課題に答えさせる few-shot 利用を示した。学習済みの視覚エンコーダと言語モデルを凍結したまま、その間を橋渡しする層だけを学習する構成を採る。以後のマルチモーダルLLMが踏襲した設計の先行例。

論文題名での読み方

固有名。VLMの初期例