mllms

定義

Multimodal Large Language Models の略で、テキストに加えて画像・音声・映像を入力として受け取れる大規模言語モデルを指す。多くは学習済みの言語モデルに各モダリティのエンコーダを接続し、その特徴を言語側の埋め込み空間に写す構成をとる。LMM と表記されることもあり、実質同じ対象を指す。

論文題名での読み方

略語。マルチモーダルLLM

この語が出てくる解説

• 論文解説: Annotations as Rollouts — 正解データを「9本目の答案」として強化学習に混ぜるAnnotations as Rollouts: Efficient and Scalable Reinforcement Learning for Video MLLMs