問題番号: No.2840 (しっかりモード)

ある企業で、数百万枚の画像とそれに対応するキャプションのペアを用いてマルチモーダルモデルを訓練し、事前に定義していない未知のカテゴリの画像でもテキストプロンプトを工夫することで高精度に分類できるシステムを構築することになった。このシステムの中核として最も適切なモデルはどれか。