「GPT-4o」は何がすごい？ なぜLLMは画像や音声も扱えるの？ “マルチモーダル”について識者に聞いた
複数のモダリティがベクトル化、トークン変換されて、テキストと同じようにLLMのニューラルネットワークに入っていく（A Survey on Multimodal Large Language Modelsより）
Copyright © ITmedia, Inc. All Rights Reserved.
SpecialPR