Sarashina Image 2.6B: 日本語に強い画像生成基盤モデルへの取り組み

記事の3ポイント

1. 1

   日本語特有の課題への対応

   語順の自由度や主語省略など、英語中心の既存モデルでは扱いにくい日本語の特徴を克服するため、Text Encoder に自社開発の Sarashina2.2-Vision-3B を採用し、文脈依存表現の理解を強化した。

2. 2

   スクラッチ訓練による技術基盤

   既存モデルの重みを利用せず、Diffusion Transformer (DiT) をゼロから訓練することで、学習データの権利関係や安全性を完全に制御可能な透明性のある基盤を実現した。

3. 3

   高品質な学習データ構成

   自社購入の大規模ストックフォトと、ライセンスを遵守したオープンデータセットを組み合わせて構築された学習データを基に、日本語および英語のプロンプトから高解像度画像を生成する能力を獲得した。