June 2026
Intermediate
408 pages
6h 37m
Japanese
Content preview from 視覚言語モデル (Japanese Edition)Become an O’Reilly member and get unlimited access to this title plus top books and audiobooks from O’Reilly and nearly 200 top publishers, thousands of courses curated by job role, 150+ live events each month,
O’Reilly covers everything we've got, with content to help us build a world-class technology community, upgrade the capabilities and competencies of our teams, and improve overall team performance as well as their engagement.I wanted to learn C and C++, but it didn't click for me until I picked up an O'Reilly book. When I went on the O’Reilly platform, I was astonished to find all the books there, plus live events and sandboxes so you could play around with the technology.I’ve been on the O’Reilly platform for more than eight years. I use a couple of learning platforms, but I'm on O'Reilly more than anybody else. When you're there, you start learning. I'm never disappointed.I'm always learning. So when I got on to O'Reilly, I was like a kid in a candy store. There are playlists. There are answers. There's on-demand training. It's worth its weight in gold, in terms of what it allows me to do.
索引
記号
- 4ビット通常浮動小数点（NF4）、量子化を用いたトレーニング、VLM向け量子化
- π0.6、π0.6：経験から学習するVLA
A
- A/B混合テスト、混合の影響の測定
- アブレーション、アブレーション手法-混合の影響の測定
- Accelerateライブラリ、Accelerate
- アクションチャンク、知覚-行動ループの閉ループ化
- アクションエキスパート／アクションヘッド、アクションエキスパート
- アダプターアプローチ、スペクトルと現代のアーキテクチャの接続
- アダプターアーキテクチャ、アダプターアプローチ：クロスアテンション、統一シーケンスアプローチ：セルフアテンション
- アフィン量子化、VLMのための量子化
- エージェント型ビジョン言語モデル
- コーディング例、最初の簡単な例
- コンピュータ利用エージェント、コンピュータ利用エージェント -ビジョンブラウザの例
- モデルの接続、モデルの接続
- エージェントの評価、エージェントの評価
- エージェントの導入部、エージェント型視覚言語モデル
- スモラジェントの導入部、スモラジェントの導入部
- ReActループ、ReActループ
- Hugging Faceスペースをツールとして活用する、Hugging Faceスペースをツールとして活用する
- アラインメント、The When：モデルのトレーニング段階、マルチモーダルアラインメント、直接的選好最適化と混合選好最適化
- アノテーション、大規模なデータアノテーションと品質妥当性確認―利用に向けたデータセットの準備
- 任意対任意モデル
- アプローチ、 3つのアプローチの紹介
- 特徴、Any-to-Anyモデル
- ハイブリッド多目的モデル、ハイブリッド多目的モデル-ディフュージョンの擬似コード
- 後期条件付けモデル、後期条件付けモデル-実践：Qwen-Image-Edit、モジュール式ディフュージョンエディタ
- Any-to-Anyモデルの目的
- トレーニング、トレーニング－トレーニング用チートシート
- 統一語彙モデル、統一語彙モデル -実践：Qwen2.5-Omni (Thinker-Talker)
- Apolloモデル、ビデオ言語モデルへの進化
- Apple Silicon、Apple Silicon上のMLX
- アーキテクチャ（VLMアーキテクチャを参照）
- 非同期制御、VLAが実際に行うこと
- アテンション機構
- Bahdanauアテンション機構、リカレントニューラルネットワークと長短期記憶
- クロスアテンション、クロスアテンション：2つの異なるストリームを橋渡しする－統一シーケンスアプローチ：自己アテンション
- 自己注意、ピクセルシャッフル：圧縮の秘訣、自己注意：シーケンス内の関係性の発見、統一シーケンスアプローチ：自己注意
- 動画向け、動画向けアテンション機構―すべてを統合する
- VLMにおける、情報を統合する鍵：マルチモダリティアテンション
- アテンションの最適化、アテンションの最適化：FlashAttentionとそれ以降―最適化されたアテンションの活用
- 時間経過に伴うアテンション、時間経過に伴うアテンション（トランスフォーマー革命）
- AutoModelの抽象化、トランスフォーマー
- AutoProcessorの抽象化、トランスフォーマー
- AWQ法、BitsandBytesを超えて：実運用可能なメソッド
B
- Bahdanauアテンション機構、リカレントニューラルネットワークと長短期記憶
- 帯域幅、量子化が役立つ理由：計算ではなく帯域幅
- バッチ処理、一度に複数のサンプルを読み込む、実際のバッチサイズでのトレーニング
- ベンチマーク
- LVBench、動画理解
- 大規模な学際的マルチモダリティ理解と推論（MMMU）、視覚的質問応答 ...
Become an O’Reilly member and get unlimited access to this title plus top books and audiobooks from O’Reilly and nearly 200 top publishers, thousands of courses curated by job role, 150+ live events each month,
and much more.
Read now
Unlock full access
More than 5,000 organizations count on O’Reilly
O’Reilly covers everything we've got, with content to help us build a world-class technology community, upgrade the capabilities and competencies of our teams, and improve overall team performance as well as their engagement.Julian F.
I wanted to learn C and C++, but it didn't click for me until I picked up an O'Reilly book. When I went on the O’Reilly platform, I was astonished to find all the books there, plus live events and sandboxes so you could play around with the technology.Addison B.
I’ve been on the O’Reilly platform for more than eight years. I use a couple of learning platforms, but I'm on O'Reilly more than anybody else. When you're there, you start learning. I'm never disappointed.Amir M.
I'm always learning. So when I got on to O'Reilly, I was like a kid in a candy store. There are playlists. There are answers. There's on-demand training. It's worth its weight in gold, in terms of what it allows me to do.