パナソニックHD、拡散型視覚言語モデルによるマルチモーダルAI「LaViDa」を開発

[画像: https://prcdn.freetls.fastly.net/release_image/3442/6511/3442-6511-5c8d6a4e984584ac439831f6367412d4-1600x800.jpg?width=536&quality=85%2C75&format=jpeg&auto=webp&fit=bounds&bg-color=fff ]

パナソニックR&Dカンパニー オブ アメリカ（以下、PRDCA）およびパナソニック ホールディングス株式会社（以下、パナソニックHD）は、UCLAの研究者らと共同で、拡散モデルを用いたマルチモーダルAI（※）「LaViDa」を開発しました。
近年、マルチモーダルAIは大規模言語モデルの成功を取り入れたモデル大規模化により性能を高めてきましたが、従来の自己回帰型による文章生成では文章量が増えるにつれ、生成時間が増加することが課題でした。今回開発したLaViDaでは、文章の生成を拡散モデルで行うことで生成のスピードを可変にすることが可能になり、既存の自己回帰型手法と同等精度で約2倍の高速化を達成しました。