確かに、生成では無く画像入力で日本語の応答を生成できるモデルですね。
日本語ネイティブでも無くベースは英語のInstrructBLIPでした。
ちゃんと記事読まずに脊髄反射するとフェイクニュース作ってしまうので気を付けねば、、、