テキスト豊富な画像理解、視覚的参照と接地、および多画像推論を強化するマルチモーダル大規模言語モデルMM1.5の方法、分析、および洞察

MM1.5は、テキスト豊富な画像理解、視覚的参照と接地、および多画像推論の能力を強化するために設計された新しいマルチモーダル大規模言語モデルのファミリーである。