“目”を持つAIの新モデル「Sarashina2.2-Vision-3B」、SB Intuitionsが開発　MITライセンスで公開

　ソフトバンクの子会社でAIの研究開発などを手掛けるSB Intuitions（東京都港区）は11月25日、大規模視覚言語モデル（VLM）「Sarashina2.2-Vision-3B」を開発した。その性能は、同サイズ帯での日本語ベンチマークでトップクラスのスコアを達成したという。同社はMITライセンスのもとで、このAIモデルを公開中だ。

　SB Intuitionsでは今回、LLM「Sarashina2.2-3B-Instruct」をベースにVLMを開発。多くの日本語圏のデータを学習に使用したことで、日本の文化・地理知識に詳しいAIモデルになった。例えば、日本の重要有形民俗文化財である「かずら橋」の画像について、「これはどんな橋ですか？」と質問すると、その特徴や見どころなどを解説してくれる。

　他にも、日本語文書や図表を含む画像の読み取り精度も向上。ポスターのような雑多なレイアウトの文書でも正確に理解し、情報を整理することが可能となった。他にも、文書中の英語の部分だけを読み取って和訳するなど、より現実の利用例に沿うような複雑な指示にも対応できる。

　このVLMは、SB IntuitionsのHugging Face上のページで公開中だ。他にも同社のテックブログで、このVLMのモデル構成や各ベンチマークの評価結果なども掲載している。

この記事の著者

関連記事

• 

  日本語に強いVLM「Sarashina2-Vision」　ソフトバンクのAI開発企業が公開　MITライセンスで商用利用OK

• 

  “目”を持つAI「VLM」のまとめ資料、ソフトバンクのAI開発企業が公開　基礎やトレンドを全95ページで紹介

• 

  “目を持つAI”は「犬がいる／いない」を区別できない？　否定表現を無視する傾向、OpenAIの研究者らが発表

• 

  LLMの開発効率化に革新？　中国DeepSeekが「DeepSeek-OCR」発表　“テキストを画像化”でデータ圧縮

• 

  Googleの「Gemini」に、ロボット向け新モデル　自律的にタスクを分解して動作、“雑な指示”にも対応