タグ · #multimodal

OpenVLHarnessはマルチモーダルメモリとツール活用でMLLMの性能を向上させる

読む理由このフレームワークは、モデルを外部証拠に grounding することで内部推論のみの限界を解決し、トークンコストを抑えながら大幅な性能向上を実現します。

OpenVLHarnessは、永続メモリと異種ツール統合により、マルチモーダルモデルのスコアを最大12.6ポイント向上させます。

読む理由この研究は、多モーダルコーディングにおける高品質なトレーニングデータの重要なギャップを埋め、分解されたルールの合成を通じて独自システムに匹敵するオープンモデルを提供します。

PrismaCoder-9Bおよび35Bモデルは、新規なルールベースのデータパイプラインを活用し、オープンな多モーダルコード知能ベンチマークで首位を維持しています。

読む理由開発者は、固有データに依存せず、動画、音声、画像のすべてのモーダルで競争力のあるマルチモーダルモデルを訓練するためにこの規模が必要です。

CommonCrawlから収集した8000万本の動画（総計1000万時間）を含むLAION-BVDデータセットが公開されました。動画・音声・画像のマルチモーダルモデル訓練に不可欠な規模です。

読む理由料金体系と無料試用期間が開発者が最初に確認すべき点。100万トークンあたり入力$15・出力$60という価格設定は、試用ではなく本格利用を想定している。

Gemini 3.5 ProがVertex AIエンタープライズの最終プレビューに入り、200万トークンのコンテキストウィンドウとDeep Think推論を搭載。2026年6月中のGA一般公開が目前。