マルチモーダルモデル

テキストと画像・動画・音声の理解や対話を組み合わせる汎用視覚言語・オムニモデルの公開済み重み。埋め込み、再ランキング、音声・オーディオ、画像・動画の専用タスクを優先する。ロボット専用の身体性モデル、実行エンジン、利用者向けマルチモーダルワークスペースは除く。