LLaDA-V — модель для диалога по изображениям, разработанная авторами проекта LLaDA и представленная в работе «LLaDA-V: Large Language Diffusion Models with Visual Instruction Tuning». Она сочетает визуальное понимание с диффузионной языковой моделью и предназначена для ответов на вопросы об изображениях и выполнения визуальных инструкций.

Модель имеет плотную архитектуру LlavaLLaDAModelLM и содержит 7,5 млрд параметров. Она принимает изображения и текст, выдаёт текст, поддерживает контекст до 16 384 токенов и опубликована в формате safetensors для Transformers. В README авторы характеризуют её как конкурентоспособную модель, превосходящую другие диффузионные мультимодальные языковые модели; независимые сравнительные результаты в карточке не приведены.

Карточка не содержит сведений о лицензии, поэтому условия использования по ней определить нельзя. Модель относится к семейству LLaDA; более поздняя LLaDA-o упомянута в README отдельно и не является этой моделью.