ቪዥን ላንጉዌጅ ሞዴል (Vision Language Model)
· AI Study
Vision Language Models (VLMs) Merge Visual and Linguistic Intelligence, Enabling Machines to See, Read, and Understand the World.
ቪዥን ላንጉዌጅ ሞዴል (VLM) የኮምፒውተር ቪዥን እና የተፈጥሮ ቋንቋ ቅንብር (NLP) ችሎታዎች በአንድ ላይ የሚተገበርበት የአርቲፊሻል ኢንተለጀንስ ሞዴል ነው።
እነዚህ ሞዴሎች ከምስል ግብዓቶች ጽሑፍ እንዲያመነጩ ወይም ጥያቄዎችን በምስል አውድ ውስጥ እንዲረዱ የሰለጠኑ መሆናቸውን የአይ.ቢ.ኤም ድረ ገጽ መረጃ ያመላክታል፡፡
ይህም የጽሁፍ ይዘቶችን ብቻ የሚረዱትን የላርጅ ላንጉዌጅ ሞዴሎች (LLM) የምስል ግብዓትንም እንዲረዱ ያደርጋሉ፡፡ ቪዥን ላንጉዌጅ ሞዴሎች ማሽኖች በአንድ ጊዜ እንዲያዩ እና እንዲያነቡ ያስችላሉ፡፡
አውቶማቲክ የምስል መግለጫ ጽሑፍ ለማዘጋጀት፣ ለህክምና ምስል ትርጓሜ ለመስጠት፣ ሮቦቶች ትዕይንቶችን በአግባቡ እንዲረዱ ለማስቻል ሞዴሎቹ ጥቅም ላይ ይውላሉ።
የኦፕን ኤ.አይ ጂ.ፒ.ቲ-4ቪ (GPT-4V)፣ የማይክሮሶፍት ኮስሞስ-2 (Kosmos-2) እና የዲፕ ማይንድ ፍላሚንጎ ሞዴሎች መጠቀስ የሚችሉ የቪዥን ላንጉዌጅ ሞዴሎች ናቸው፡፡
Source: Ethiopian Artificial Intelligence Institute