1/100 → 44/100: 50Kブラウザスクリーンショットで450M VLMをファインチューニング

4億5千万パラメータのVLM（視覚言語モデル）を5万枚のブラウザスクリーンショットでファインチューニングする実験について報告されています。モデルの性能向上が目的です。

• 4億5千万パラメータを持つVLM（視覚言語モデル）をファインチューニングする実験が報告されている。
• 5万枚のブラウザスクリーンショットデータセットを用いてVLMのファインチューニングを実施した。
• ファインチューニングにより、4億5千万パラメータVLMの性能向上が目的とされている。
• ブラウザ操作の理解を深めるため、VLMをスクリーンショットで学習させた。
• 450M VLMの性能改善のため、50Kのブラウザスクリーンショットで追加学習を行った。