写真の東京タワーの位置まで日本語で答える「Sarashina2-Vision」
- 公開
- 正式公開 2025-03-17
- 作り手
- SB Intuitions株式会社（会社）
- 対応
- モデル（Hugging Face）
- 言語
- 日本語
- 価格
- 無料（MIT ライセンス、商用利用可）
どんなアプリか
Sarashina2-Vision は、ソフトバンクの子会社 SB Intuitions が 2025年3月17日に公開した、画像とテキストを合わせて扱う大規模視覚言語モデル（VLM）です。同社の日本語大規模言語モデル Sarashina2 をベースに作られ、80億パラメータの 8B と 140億パラメータの 14B の2サイズがあります。
SB Intuitionsでは、日本語や日本の文化・慣習に強い大規模視覚言語モデル（Vision-Language Model; VLM）の開発を進めており、2025年3月に弊社の日本語大規模言語モデル（Large Language Model; LLM）のSarashina2をベースに開発したVLMであるSarashina2-Vision (8B・14B)を公開しました。
SB Intuitions、SB Intuitions TECH BLOG「Sarashina2-Vision: 日本語特化の大規模視覚言語モデルの公開」
公式ブログの例では、東京タワーが写った写真について「最も有名と考えられる建築物は何でどこに写っていますか？」と尋ねると、東京タワーがビル群の向こうに写っていると答えています。
学習では、日本特有の画像と社内で作った OCR データセットを使い、日本語の文字を含む文書画像の読み取りを重点的に鍛えています。初期のモデルでチャートや図表の読み取りに課題が見つかったため、フローチャートや表の画像と質問・回答の組を Sarashina で合成して補いました。
SB Intuitions は、日本に関連する画像の専門的なタスクや日本語の複雑な図表の理解を測るベンチマークなど、複数の日本語ベンチマークで国内最高の性能を実現したとしています。
料金とデータの置き場所
8B と 14B のどちらも Hugging Face Hub で、商用利用ができる MIT ライセンスで公開されており、そこからダウンロードできます。
同じ分野のアプリ
| 名前 | 型 | 仕掛け | 対応 | 料金 |
|---|---|---|---|---|
| Sarashina2-Vision | 視覚言語モデル | 画像について日本語で質問に答える。8B・14B | モデル（Hugging Face） | 無料（MIT ライセンス、商用可） |
| Sarashina2.2（小規模言語モデル） | 小規模言語モデル | 5億・10億・30億パラメータの日本語に強い事前学習モデル | モデル（Hugging Face） | 無料（MITライセンス、商用可） |
| Sarashina2-8x70B | 大規模言語モデル | MoE構成で総計4600億パラメータの日本語特化モデル | モデル（Hugging Face） | 無料（研究目的。商用利用不可） |
| DeepSeek-R1-Distill-Qwen-14B/32B-Japanese | 推論モデル | DeepSeek-R1の蒸留モデルに日本語を追加学習 | モデル（Hugging Face） | 無料（MITライセンス、商用可） |
入れる前に
公式ブログのサンプルコードは transformers ライブラリで動かす形で、trust_remote_code=True を付けてモデルを読み込み、device_map に “cuda” を指定しています。
学習データについて SB Intuitions は、独自にクローリングして集めたデータは使っておらず、すべて商用利用ができて継承の義務がないライセンスで配布されているデータか、Sarashina などで自動合成したデータセットを用いたと説明しています。