LLaVA-3D-7B — мультимодальная модель для ответов на вопросы и выполнения инструкций по изображениям и RGB-D данным о 3D-сценах.

Подходит для: ответы на вопросы о содержимом одиночного изображения · описание объектов и сцен на изображении · понимание 3D-сцен по RGB-D изображениям с данными о позе