

AI・コンピューティング
マルチモーダル大規模言語モデル アーキテクチャ
- 構成:
- 2 つの入力ブランチを 1 つのモデルに
- アスペクト比:
- 16:9
プロンプト
【マルチモーダル大規模言語モデル】のアーキテクチャ図を左から右に読んで作成します。各関係をリストどおりに正確に描画します。
1. 【一番上の分岐:画像アイコン→ビジョンエンコーダ→プロジェクター】
2. 【一番下の分岐:テキストアイコン→トークナイザー】
3. 【両方のブランチが 1 つの大きな LLM ブロックに結合されます。】
4. 【LLM は吹き出しとして示される応答を生成します。】
ラベル(それぞれ一度だけ使用し、他の文字は追加しない): 【Image, Vision encoder, Projector, Text, Tokenizer, LLM, Response】.
スタイル: ジャーナル形式の概略図。白い背景にきれいなフラット ベクトル グラフィックス。モジュールは、内側に短い名前が入った角丸長方形または単純なアイコンです。ライト パステル パネルは、関連するレイヤーをグループ化します。落ち着いた色は 3 ~ 4 色だけで、それぞれに 1 つの固定された意味があります。細く均一な矢印は、データ、エネルギー、物質、または影響の流れを示します。間接リンクまたはフィードバック リンクの破線の矢印。サンセリフ英語ラベルのみ。各ラベルは 1 回だけ表示され、指定されたとおりに綴られます。 3D レンダリング、影、輝き、サイバーパンクやテクノロジー背景の装飾、フォトリアリズムはありません。
このプロンプトと作例を参考画像として Yila で開きます。
作例は Nano Banana で生成しました。GPT Image などほかの画像モデルでも使えますが、結果はモデルによって異なります。






