凍結された画像エンコーダーと大規模言語モデル（LLM）をつなぐ視覚–言語の事前学習フレームワークです。画像キャプション生成、視覚的質問応答（VQA）、画像とテキストの検索、または最先端のゼロショット性能を備えたマルチモーダルチャットが必要な場合に使用します。Multimodal, Vision-Languag…
凍結された画像エンコーダーと大規模言語モデル（LLM）をつなぐ視覚–言語の事前学習フレームワークです。画像キャプション生成、視覚的質問応答（VQA）、画像とテキストの検索、または最先端のゼロショット性能を備えたマルチモーダルチャットが必要な場合に使用します。Multimodal, Vision-Language,......
このページは OpenClaw Skills 学習ハブの一部で、導入手順・カテゴリ導線・実践リンクを提供します。