問題 No.1595
画像とテキストのペアを大規模に学習し、テキストを入力することで関連する画像を検索したり、画像からテキストを生成したりできるOpenAIのモデルはどれか。
【正解の解説】
CLIP
「Contrastive Language-Image Pre-training」の略。画像とテキストを共通の埋め込み空間に配置することで、マルチモーダルなタスクを可能にする。
スポンサーリンク
【その他の選択肢の解説】
GPT-4
Transformerアーキテクチャに基づく、テキスト生成や理解に長けた対話型AIモデル。
DALL-E
自然言語による指示（プロンプト）から、新しい画像を生成するAIモデル。
Whisper
高精度な音声書き起こしや翻訳が可能な、汎用的な音声認識モデル。