Vision Language Model
マルチモーダルモデル
マルチモーダルLLM
Visual Prompting
基盤モデル
Zero-shot Learning網羅的サーベイ：CLIPが切り開いたVision & Languageの新しい世界
https://techblog.exawizards.com/entry/2023/05/10/055218
Vision Language Model の 技術詳細と推論と学習
https://note.com/npaka/n/n76fb29eadbe6
Large Vision Language Model (LVLM) に関する最新知見まとめ
https://speakerdeck.com/onely7/large-vision-language-model-lvlm-niguan-suruzui-xin-zhi-jian-matome-part-1?slide=8
LongVLM: Efficient Long Video Understanding via Large Language Models
https://arxiv.org/pdf/2404.03384
【Pycon mini 東海 2024】Google Colaboratoryで試すVLM
https://speakerdeck.com/kazuhitotakahashi/pycon-mini-dong-hai-2024-google-colaboratorydeshi-suvlm?slide=2
Qwen2-VLとColPaliでマニュアル用ローカルQAボットを作ってみた
https://zenn.dev/firstautomation/articles/d05572e54949f3
YOLO-world
https://github.com/AILab-CVC/YOLO-World
Personalized Visual Instruction Tuning
https://arxiv.org/abs/2410.07113
From Generalist to Specialist: Adapting Vision Language Models via Task-Specific Visual Instruction Tuning
https://arxiv.org/abs/2410.06456
DynaMath: A Dynamic Visual Benchmark for Evaluating Mathematical Reasoning Robustness of Vision Language Models
https://github.com/DynaMath/DynaMath
画像系マルチモーダルLLMであるQwen2-VLのファインチューニングの練習
https://note.com/kan_hatakeyama/n/n61ea46ab1fca
生成AIを用いて製造現場における品質管理業務を自動化する：組み立て作業の自動評価システムの例
https://magazine.algomatic.jp/automation-quality-control-manufacturing-ai
A Systematic Survey of Prompt Engineering on Vision-Language Foundation Models
https://arxiv.org/abs/2307.12980