/ Модель

Характеристики

Контекст
4 096 токенов
Параметры
6,6 млрд
Размер весов
14,1 ГБ
Архитектура
llava · dense
Опубликована
22 июн 2026

llava-v1.6-vicuna-7b

Генерация текстаТекст → текст

Производная модели liuhaotian/llava-v1.6-vicuna-7b. Мультимодальный чат-бот на базе Vicuna, который отвечает текстом на вопросы об изображениях и поддерживает диалог по визуальному содержимому.

6скачиваний за 30 дней0лайковвеса обновлены22 июн 2026

Бенчмарки

Как модель справилась с задачами пользователей ailist и что о ней публикуют открытые лидерборды

Тесты пользователейпока нет

Никто ещё не опубликовал тест этой модели. Соберите бенчмарк из своих задач — результат появится здесь.

  1. Добавьте модель в бенчмарк

    Вместе с другими моделями категории «Текст» — сравнение идёт внутри одной категории.

  2. Опишите свои задачи

    Напишите запросы, при необходимости приложите файлы и эталонные ответы.

  3. Запустите и опубликуйте

    Модели ответят на каждую задачу, судья оценит ответы. Опубликованный результат появится на этой странице.

Публичные оценки

Из открытых лидербордов. Сравнивайте результаты одного теста при одинаковых условиях — отсутствие оценки не значит, что модель хуже.

В подключённых источниках результатов для этой модели пока нет.

Что умеет модель

Описание составлено по карточке модели и метаданным Hugging Face

Карточка модели 0613lzc/llava-v1.6-vicuna-7b на Hugging Face совпадает с карточкой liuhaotian/llava-v1.6-vicuna-7b, поэтому описание составлено по ней.

LLaVA-v1.6-Vicuna-7B — мультимодальный чат-бот, разработанный командой LLaVA и дообученный на базе языковой модели lmsys/vicuna-7b-v1.5. Это авторегрессионная трансформерная модель семейства LLaVA с плотной архитектурой; по метаданным содержит 6,6 млрд параметров и поддерживает контекст до 4096 токенов.

Модель принимает изображения и текстовые запросы и генерирует текстовые ответы. Она предназначена для визуальных вопросов и ответов, диалога об изображениях и исследований мультимодальных языковых моделей. Обучение включало пары изображение–текст, мультимодальные инструкции, данные для академических задач VQA и диалоговые данные. Карточка ориентирует модель на исследователей и энтузиастов в области компьютерного зрения, NLP и машинного обучения.

Модель подходит для прототипирования и исследовательских сценариев, но ответы могут содержать ошибки и не должны считаться достоверным описанием изображения без проверки. В карточке не указаны лицензия и перечень поддерживаемых естественных языков; базовая модель — Vicuna-7B-v1.5.

Сценарии применения

  • ответы на вопросы об изображениях
  • описание содержимого изображения по запросу
  • диалог с уточняющими вопросами о картинке
  • анализ визуальных примеров для исследований
  • прототипирование мультимодального чат-бота

Ограничения

Модель может ошибаться при интерпретации изображений и генерации ответов, поэтому результаты требуют проверки. Лицензия и поддерживаемые естественные языки в предоставленных данных не указаны.

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

LLaVA Model Card

Model details

Model type: LLaVA is an open-source chatbot trained by fine-tuning LLM on multimodal instruction-following data. It is an auto-regressive language model, based on the transformer architecture. Base LLM: lmsys/vicuna-7b-v1.5

Model date: LLaVA-v1.6-Vicuna-7B was trained in December 2023.

Paper or resources for more information: https://llava-vl.github.io/

License

Llama 2 is licensed under the LLAMA 2 Community License, Copyright (c) Meta Platforms, Inc. All Rights Reserved.

Where to send questions or comments about the model: https://github.com/haotian-liu/LLaVA/issues

Intended use

Primary intended uses: The primary use of LLaVA is research on large multimodal models and chatbots.

Primary intended users: The primary intended users of the model are researchers and hobbyists in computer vision, natural language processing, machine learning, and artificial intelligence.

Training dataset

  • 558K filtered image-text pairs from LAION/CC/SBU, captioned by BLIP.
  • 158K GPT-generated multimodal instruction-following data.
  • 500K academic-task-oriented VQA data mixture.
  • 50K GPT-4V data mixture.
  • 40K ShareGPT data.

Evaluation dataset

A collection of 12 benchmarks, including 5 academic VQA benchmarks and 7 recent benchmarks specifically proposed for instruction-following LMMs.

Как запустить

На своей GPU в ailist. Цена — по текущим предложениям провайдеров

GPU в ailist

Универсальный рантайм

Можно запустить

Подбираем GPU…

Класс архитектуры
LlavaLlamaForCausalLM
Ревизия весов
b634862

0 моделей