次回の更新記事：推論時のトークン数を80%以上削減しながら出力精度を…（公開予定日：2025年03月17日）

技術

Gemini-1.5-proやGPT-4o-miniなどの性能を上回るLLaVA-o1（11Bパラメータ）

Gemini-1.5-proやGPT-4o-miniなどの性能を上回るLLaVA-o1（11Bパラメータ）

プレイヤーの行動に応じてゲームを自動生成する技術　Googleなどが開発

プレイヤーの行動に応じてゲームを自動生成する技術　Googleなどが開発

高解像度な深度マップを高速生成するモデル『Depth Pro』Appleが公開

高解像度な深度マップを高速生成するモデル『Depth Pro』Appleが公開

漫画を台本に変換するモデル『Magi v2』オックスフォード大学の研究グループが開発

漫画を台本に変換するモデル『Magi v2』オックスフォード大学の研究グループが開発

画像と「動画」の中にあるものを認識する『SAM 2（Segment Anything 2）』をMetaが開発

画像と「動画」の中にあるものを認識する『SAM 2（Segment Anything 2）』をMetaが開発

タスクを一度視覚化して取り組ませることで、LLMの推論能力を大きく向上させるプロンプト手法『Whiteboard-of-Thought（ホワイトボード思考法）』

タスクを一度視覚化して取り組ませることで、LLMの推論能力を大きく向上させるプロンプト手法『Whiteboard-of-Thought（ホワイトボード思考法）』

Appleが開発、スマホのスクリーンを理解してユーザーと対話できる『ReALM』端末上で動く軽量モデル

Appleが開発、スマホのスクリーンを理解してユーザーと対話できる『ReALM』端末上で動く軽量モデル

JPモルガンの研究者らは、企業のドキュメントをLLMで読み込むモデル『DocLLM』を発表しました。

JPモルガンの研究者らは、企業のドキュメントをLLMで読み込むモデル『DocLLM』を発表しました。

視覚・テキスト・音声そして行動データを処理するマルチモーダルLLM「Unified-IO 2」を開発したと報告されています。

視覚・テキスト・音声そして行動データを処理するマルチモーダルLLM「Unified-IO 2」を開発したと報告されています。

「視覚は本来、言語に依存しない」と考えた研究者らが、言語データなしで大規模ビジョンモデル（LVM）を構築するアプローチを開発

「視覚は本来、言語に依存しない」と考えた研究者らが、言語データなしで大規模ビジョンモデル（LVM）を構築するアプローチを開発

プロフィールを登録すると
仕事のオファーが届きます

プロフィール登録
PAGE TOP