CyberAgentLM2とは
2024年6月13日 に株式会社サイバーエージェントから公開された75億パラメータの日本語のVLMである．商用利用可能な画像チャットモデルである．
VLM(大規模視覚言語モデル)とは
画像やテキストから学習できるマルチモーダルモデルとして広く定義されている．画像とテキストの入力を受け取り，テキスト出力を生成する生成モデルの一種である．現在，既存で公開されているVLMは，英語が中心とした学習のため，日本文化の理解や日本語での会話に強いVLMは少ない状況である．
CyberAgentLM2で遊んでみる
スペイン料理のパエリアの味を詳しく教えてもらう．
中身の食材を判別出来ているが，料理名は，判断できてなさそう．
次に，日本特有である 着物 について説明してもらう．
着物や帯の柄を説明できている．加えて，背景の説明もされている．
最後に，だんじりについて行ってみる．下の画像を見てわかる通り，だんじりという特定の言葉は説明文に記載されていなかったが，「山車」や「法被」など，日本の文化特有の言葉は，画像から認識することが出来ている．
最後に
今回は，CyberAgentLM2を簡単に取り上げた．今後，もう少し詳しく触って，わかったことがあれば，追記をしたいと思う．今回が，初執筆なので，慣れない部分が多く，読みにくいと感じた方がいるかもしれない．これから，そのようなことがないように工夫を施していきたいと考える．
参考文献
-Vision Language Modelの技術詳細と推論と学習
-Vision Language Models Explained
-独自の日本語LLM「CyberAgentLM2」に視覚を付与したVLM(大規模視覚言語モデル)を一般公開―商用利用可能な画像チャットモデルを提供-