Index
PaLM-E
GPTを超える5600億パラメータを持つ最大規模の大規模言語モデルだったPaLMに，
視覚処理の機構（Vision Transformer）を統合したPaLM-E-562B（5620億パラメータ）をGoogleが発表.
言語と視覚情報を組み合わせ，ロボットの操作や，視覚からの質問応答など，いろんなタスクを解ける.
言語と視覚情報を組み合わせ，ロボットの操作や，視覚からの質問応答など，いろんなタスクを解ける.
参考
- PaLM-E: An Embodied Multimodal Language Model
- [2023]
- arxiv.org
- palm-e.github.io
