KoLLaVA-KoVicuna-7b — мультимодальная модель семейства LLaVA, разработанная tabtoyou. Она объединяет языковую модель KoVicuna с визуальным энкодером CLIP ViT-14 и обучена на корейских данных с визуальными инструкциями. Модель предназначена для диалога по изображениям и генерации текстовых ответов на вопросы о визуальном содержимом.

Модель содержит 6,6 млрд параметров, использует архитектуру LlavaLlamaForCausalLM, работает через Transformers и принимает контекст длиной до 2048 токенов. Основной язык карточки — корейский. Репозиторий содержит веса PyTorch и распространяется по лицензии Apache-2.0. В метаданных основная задача указана как text-generation, хотя модель также обрабатывает изображения.