視覚言語モデルの能力を詳細に評価するための分類データセットとその意味階層の活用

分類データセットとその意味階層を活用することで、テキスト生成型の視覚言語モデルの能力を詳細に評価し、識別型の視覚言語モデルとの比較を行う。