---
title: "Flamingo（マルチモーダルFew-shotモデル）とは？G検定対策"
description: "Flamingo（マルチモーダルFew-shotモデル）について、G検定で問われるAI・機械学習分野の観点から、基本的な意味、代表モデル・手法との関係、試験で問われやすい判断軸を整理します。暗記だけでなく、似た概念との混同を避ける見分け方や、選択肢を切るためのポイントも確認します。"
canonical_url: "https://stemtazoo.github.io/gk/flamingo/"
section: "gk"
---

## まず結論
- **Flamingo（フラミンゴ）**とは、**画像とテキストを同時に扱い、少数ショット（Few-shot）学習に強いマルチモーダルモデル**である。
- G検定では「**何ができるモデルか**」「**何専用ではないか**」を問われることが多い。

## 直感的な説明
Flamingoは、  
**「写真を見せて、少し説明すると、すぐに意図を理解して答えてくれるAI」**のイメージです。

- 画像を見る力（視覚）
- 文章を理解する力（言語）
- 少ない例から察する力（Few-shot）

これらを**同時に使える**のが特徴です。

「構文解析が得意」「音声認識専用」「医療データ特化」  
といった**専門職AI**ではなく、  
**汎用的に画像＋テキストを扱えるAI**だと考えると分かりやすいです。

## 定義・仕組み
Flamingoは **DeepMind が開発したマルチモーダルモデル**です。

主な特徴は以下の通りです。

- 画像エンコーダ（視覚情報を処理）
- 大規模言語モデル（テキスト理解）
- **Perceiver Resampler** を使って画像特徴を言語モデルに接続
- **Attention（注意機構）** により画像と文章を結びつける

重要なのは、

- **Transformerベースではあるが、NLP専用モデルではない**
- **ASR（音声認識）モデルでもない**
- **時系列モデルでもない**

という点です。

## いつ使う？（得意・不得意）
### 得意なこと
- 画像＋テキストの質問応答
- 画像内容の説明
- 少数例（Few-shot）でのタスク適応
- マルチモーダル理解が必要な場面

### 不得意・注意点
- 音声 → テキスト変換（ASR専用ではない）
- 医療・金融など特定分野に特化したモデルではない
- 単なる構文解析・文法解析用モデルではない

## G検定ひっかけポイント
G検定では次のような**混同を狙ってきます**。

- ❌「構文解析に特化したNLPモデル」
- ❌「音声認識（ASR）の一種」
- ❌「医療データ用の時系列モデル」

### 判断基準
- **画像が関係していたら → マルチモーダル**
- **Few-shot が強調されていたら → Flamingo**
- **音声・医療・構文解析が主語なら → 別モデル**

選択肢に  
「画像とテキスト」「少数ショット」「マルチモーダル」  
がそろっていたら **Flamingoが正解候補**です。

## まとめ（試験直前用）
- Flamingoは **画像＋テキストを扱うマルチモーダルモデル**
- **Few-shot 学習に強い**のが最大の特徴
- ASR・構文解析・医療特化モデルではない
- G検定では「**何専用ではないか**」を切るのがコツ
- 「画像 × テキスト × Few-shot」→ Flamingo