マルチモーダルなタスクやモデルに関する説明として、最も不適切なものを1つ選べ。
1つ選んでください
正解と解説を見る
解説
正解C
ポイント
DALL-Eは文章から画像を生成するText-To-Imageのモデルで、Image Captioningとは入力と出力が逆です。
選択肢ごとの解説
- A
適切
VQAは、画像の内容の理解と質問文の理解を組み合わせるタスクです。「写真に人は何人いるか」といった質問に、画像を見て答えます。画像と言語の両方を扱うマルチモーダルタスクの代表例です。
- B
適切
基盤モデルは、大量のデータで事前学習した汎用的なモデルを指す呼び方で、2021年にスタンフォード大学の研究者らが提唱しました。ファインチューニングやプロンプトの工夫で、多様なタスクに転用できます。
- C
不適切 ◯ 正解
DALL-Eは、文章を入力として画像を生成するText-To-Imageのモデルです。画像を入力として説明文を生成するのはImage Captioningと呼ばれるタスクで、入力と出力の向きが逆になっています。
- D
適切
Flamingoは、学習済みの画像エンコーダと大規模言語モデルの重みを固定し、その間をつなぐ層を追加で学習します。画像と文章が交互に並ぶ入力を扱え、少数の例を示すだけで様々なタスクに対応できます。
試験での狙われ方
マルチモーダルのモデル名やタスク名と、その入力・出力の組み合わせを入れ替えて問う形が典型です。
関連用語
DALL-E、Flamingo、Visual Question Answering、基盤モデル
参考
- G検定 試験出題範囲（シラバス2024）第1.4版 （技術分野 項目32 マルチモーダル） 2026年10月30日閲覧
- Ramesh et al., Zero-Shot Text-to-Image Generation (2021) 2026年10月30日閲覧
- Alayrac et al., Flamingo: a Visual Language Model for Few-Shot Learning (2022) 2026年10月30日閲覧
- Antol et al., VQA: Visual Question Answering (2015) 2026年10月30日閲覧
- Bommasani et al., On the Opportunities and Risks of Foundation Models (2021) 2026年10月30日閲覧