GLOSSARY

llava

画像も理解できるようにしたLLMの代表的な名前

1本の論文題名に登場

定義

画像を理解できるようにした大規模言語モデルの代表例で、視覚エンコーダの出力を射影層で言語モデルの入力空間へ写す構成をとる。画像に関する指示応答データで学習させる視覚指示チューニングを広めた点が大きく、以後のオープンな視覚 LLM の標準的な作り方になった。学習済み部品を組み合わせるため構築コストが低い。

論文題名での読み方

固有名。代表的な視覚LLM