画像・動画・音声

「PixelUMM」マルチモーダルモデル：必要VRAM 24GB〜

NVIDIAが公開した「PixelUMM」は、テキスト・画像・動画の理解と生成を単一モデルで行うマルチモーダルモデルです。外部の視覚エンコーダを使わないエンコーダフリー構造の特徴や仕様、入手方法を解説します。