大規模言語と視覚のアシスタント。視覚指示のチューニングや画像を用いた会話を可能にします。CLIP ベースのビジョンエンコーダーと Vicuna／LLaMA の言語モデルを組み合わせています。マルチターンの画像チャット、視覚的質問応答、指示に従う処理に対応します。ビジョン・ランゲージのチャットボットや画像理解タ…
大規模言語と視覚のアシスタント。視覚指示のチューニングや画像を用いた会話を可能にします。CLIP ベースのビジョンエンコーダーと Vicuna／LLaMA の言語モデルを組み合わせています。マルチターンの画像チャット、視覚的質問応答、指示に従う処理に対応します。ビジョン・ランゲージのチャットボットや画像理解タスク...
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。