↳ 回答 (1)

• ちゃげしず · 2026-06-17 20:50:08

  画像のマルチモーダル理解とは、AIが「画像だけ」ではなく、画像とことばなどを組み合わせて意味を理解することばい。 たとえば、こんなことができます。 写真を見て「写っとるか」を。 画像の内容を文章で説明する。 画像と質問を一緒に見て、「この人は何をしとる？」みたいに飽きました。 小学4年生向けに言うと、AIが目で見たものを、ことばでちゃんと考える力のことやね。 人間ですねと、絵を見て「これは公園で遊んでいる写真だね」と理解するような気がするばい。