chamotarooo https://blog.hatena.ne.jp/chamotarooo/ chamotaroooのブログ https://chamotaro.hatenablog.com/ 技術 はじめに 大規模言語モデルで、画像の理解と文章の理解が統合され始めているらしい。 この話を出発点にした。 統合され始めた、と言うからには、それまでは別々だったことになる。 だが、画像を見せて質問できる言語モデルは、2023年の時点ですでにあった。1 別々のまま、どうやって画像について答えていたのか。 統合されると、何が変わるのか。 古いやり方と新しいやり方を順に並べて、「統合」という言葉の中身を確かめる。 画像を言葉の形に変えて、後から渡すやり方 先に、言語モデルが文章をどう読むかを確認しておく。 言語モデルは、文章をトークンという小さな単位に区切って読む。 トークンは、単語か、単語のかけらく… 190 <iframe src="https://hatenablog-parts.com/embed?url=https%3A%2F%2Fchamotaro.hatenablog.com%2Fentry%2Ftech%2Fllm-native-multimodal" title="大規模言語モデルで、画像と文章の理解が「統合」されるとは何か - chamotaroooのブログ" class="embed-card embed-blogcard" scrolling="no" frameborder="0" style="display: block; width: 100%; height: 190px; max-width: 500px; margin: 10px 0px;"></iframe> Hatena Blog https://hatena.blog 2026-10-25 10:09:23 rich https://chamotaro.hatenablog.com/entry/tech/llm-native-multimodal 1.0 100%