Meta、デバイス上で動作するマルチモーダルAI「Llama 3.2 Vision」を発表
Llama can now see and run on your device - welcome Llama 3.2
Metaは、デバイス上で動作するマルチモーダルAIモデル「Llama 3.2 Vision」を発表しました。このモデルは、効率的な展開に適した11B(110億パラメータ)と、大規模アプリケーション向けの90B(900億パラメータ)の2つのサイズで提供されます。両バージョンには、ベースモデルと指示チューニング済みモデルがあります。また、テキストのみのモデルとして、オンデバイス利用に特化した1B(10億パラメータ)と3B(30億パラメータ)のモデルもリリースされました。さらに、マルチモーダルなプロンプトや応答を検出できる安全モデル「Llama Guard 3」も登場しました。Llama 3.2 Visionは、画像とテキストを処理でき、視覚的な推論、文書質問応答、画像-テキスト検索などのタスクに対応します。ただし、EU居住者およびEU域内に主たる事業所を持つ企業は、マルチモーダルモデルの使用ライセンスが付与されません。テキストモデルはLlama 3.1 LLMをベースに、ビジョンタワーとアダプターを組み合わせて構築されており、テキストモデルはビジョンモデルのトレーニング中にフリーズされています。ベンチマークでは、Llama 3.2 Vision 11BはMMMUで50.7、VQAv2で75.2、DocVQAで88.4、AI2Dで91.1のスコアを記録しました。オンデバイス利用のため、Llama.cpp、Transformers.js、MLC.ai Web-LLMなどのライブラリとの連携も強化されています。
- Metaがオンデバイス対応のマルチモーダルAIモデル「Llama 3.2 Vision」を発表(11B/90Bパラメータ)
- テキスト専用の小型モデル1B/3Bも同時リリース
- マルチモーダル対応の安全モデル「Llama Guard 3」を発表
- EU居住者およびEU域内企業に対するマルチモーダルモデルの使用ライセンスを制限
MetaがLlama 3.2 Visionを発表したことで、オンデバイスでのマルチモーダルAI推論が現実のものとなり、エッジAI活用領域(スマートグラス、モバイル、IoTなど)の拡大が加速する。11B/90Bの2サイズ展開とLlama.cppやTransformers.jsなど主要ライブラリとの連携強化は、開発者の導入障壁を下げ、エコシステムの競争力を高める。一方、EU域内へのライセンス制限は欧州AI市場の分断リスクを示唆しており、規制環境の違いが企業戦略に与える影響にも注視が必要。