NVIDIA、画像・動画の特定箇所を詳細に言語化する「Describe Anything 3B」を公開
NVIDIAは画像や動画の特定領域を詳細に説明できるマルチモーダルモデル「Describe Anything 3B」を公開した。点や枠、マスクで指定した領域の特徴を高精度にテキスト化でき、評価ベンチマークでGPT-4oを上回る精度を記録した。
NVIDIAは画像や動画の特定領域を詳細に説明できるマルチモーダルモデル「Describe Anything 3B」を公開した。点や枠、マスクで指定した領域の特徴を高精度にテキスト化でき、評価ベンチマークでGPT-4oを上回る精度を記録した。