JEV-27B-VLが画像からロボットとブラウザの操作を判断。ロボットは75%、ブラウザは95%のタスクを完了。
この記事のポイント
- 視覚でロボットやブラウザ操作
- 1回の推論で次の行動を決定
- 27Bパラメータのモデルです
数字で見る
この記事に出てくる数字
| ロボット完了率 | 75% |
|---|---|
| ミス幅 | 3.0–3.7 cm |
| ブラウザ完了率 | 95% |
どこで使えるか
ロボットやブラウザ操作を視覚だけで判断したい人向け。動画推薦の即座ランキングにも使えます。 Hugging Faceで公開済み ロボットは240ms、ブラウザは0.26s
スポンサーリンク
解説
かみくだいて説明します
autotrustが2026-09-30に公開した画像認識モデル、autotrust/JEV-27B-VLは、カメラ映像やスクリーンショットを入力すると、一度の計算だけで次の行動の確率を出します。ロボットアームの制御からブラウザの操作、動画配信の推薦まで、すべて同じ仕組みで動きます。
一度の計算だけで次の行動を決めるんですか。それは作る側から見て、今までのモデルと何が違うんですか?
従来のモデルは判断のたびに何度も計算を繰り返しますが、このモデルはSystem 1と呼ばれる仕組みで、写真を見て即座に答えを出します。ロボットアームの制御では、上から写った映像を見て左右や上下の位置を判断し、答えが反転したら動きを半分にしながら正確に tray へ入れます。20種類の場面の中で75%を完了し、掴んだ15個はすべて tray に入りました。外れた場合は3.0–3.7 cm のズレで、1回の判断に要する時間は240 ms です。
写真を見て即座に位置を判断し、240 ms で答えが出るんですね。System 1 というのは、専門用語で伝わらないんですが、もう少しやさしく言うとどうなりますか?
正確には、人間が反射的に物をキャッチするのと同じスピード感です。一度見ただけで「次はここを押す」「次はこう動かす」が確定しますから、計算の待ち時間がなくなります。
反射のように待つ時間がなくなるんですね。では、ブラウザの操作ではどれくらいの精度が出ているんですか?
60のランダムなタスクのうち95%を完了しています。ショップや設定、メールの操作で、クリックすべき要素に番号のついた枠を表示し、モデルが次にどこを押すかを決めます。1クリックあたりの時間はおよそ0.26 s で、文字のない色の見本のような画像からもスクリーンショットだけで判断しています。タスクは3–7 クリックの多段階操作です。
文字がない色の見本でも画像だけで押す場所を選んでいるんですか。では、動画の推薦ではどう使うんですか?
ユーザーが過去に見た5本の動画の表紙と、新しい動画の表紙を比較して、そのユーザーが見る確率を一度の計算で出します。過去の閲覧履歴やアイテムのデータ、追加の学習は一切使わず、動画がアップロードされた瞬間から順位付けが可能です。公開データセットMicroLens-100kで200人のユーザーを対象に評価した結果、実際に次に見た動画が他の19本の候補の中に隠された状態で、20個の中から正しく選んでいます。
履歴も学習も使わずにアップロード直後から順位付けができるんですか。では、研究している人から見ると、どこがまだ解けていないんですか?
正確にはそこはまだ分かっていません。公開されているのはデモコードと評価結果だけで、内部の重みや学習データ、他のモデルとの詳細な比較データは現時点で渡されていません。
デモコードと評価結果だけなんですね。最後に、今後このモデルはどのように発展していくんですか?
画像から行動を直接出す仕組みは、ロボット制御やコンピュータ操作の現場で使われる可能性がありますが、同じシーンとタスクで家族全モデルの比較が行われています。
出典
この記事のもとになった情報
- Hugging Face:autotrust/JEV-27B-VL
- 公開日:2026-09-30
※ 本文と音声は生成 AI が作成しています。内容は出典をご確認ください。
本作品のキャラクターには株式会社Live2Dの著作物であるサンプルデータが株式会社Live2Dの定める規約に従って用いられています。本作品は制作者の完全な自己の裁量で制作されています。このキャラクターモデルは株式会社Live2Dより許諾を得て商用利用しています。