【G検定過去問風テスト】マルチモーダルの金字塔！CLIPの仕組みを完全解説

2026年8月6日 2026年8月6日 atsushi_kitazawa

※本記事では、アフィリエイトプログラムより教材を紹介しています。

📝 問題

インターネット上の膨大な「画像とテキスト（キャプション）のペア」を用いて対比学習を行い、事前学習だけで未知の画像分類タスクを高精度に行える「Zero-Shot画像分類」を実現したモデルとして、最も適切なものを1つ選べ。

A）CLIP
B）Flamingo
C）BLIP-2
D）GPT-4o

🔍 ここをクリックして正解を見る

正解: A）CLIP

💡 合格に近づく！徹底解説

重要度: ★★★

■ 1分で分かる！この問題の要点

CLIPは、画像とテキストを「対比学習」で同じ空間（共有埋め込み空間）に配置するモデル。
事前学習なしで未知の画像を分類できる「Zero-Shot画像分類」が最大の特徴。

■ 初学者向け解説（例え話や背景）

CLIPは、いわば「絵と言葉の辞書」を完璧にマスターした通訳士のような存在です。これまでAIは「画像だけ」「テキストだけ」と別々に学ぶのが主流でしたが、CLIPは「この写真は『犬』という単語にぴったりだね」というペアの関係性を大量のデータから学びました。その結果、新しい写真を見せられたとき、特別に教え込まれなくても「これは〇〇の画像だな」とパッと判断できるようになりました（これがZero-Shot画像分類です）。

■ 選択肢の解説

A) CLIP（○）: 4億ペアの画像とテキストを用いた対比学習により、Zero-Shot画像分類を実現したOpenAIのモデルです。正解です！
B) Flamingo（×）: 少数の例（Few-Shot）で新しいタスクに適応する、DeepMind社の強力な視覚言語モデル（VLM）です。
C) BLIP-2（×）: 「Q-Former」という軽量な接続モジュールを用いて、固定された画像モデルとLLMを効率的に結びつけるフレームワークです。
D) GPT-4o（×）: テキスト・音声・画像を単一のニューラルネットワークでネイティブに処理するオムニモデルです。

リンク