Мультимодальная чат-модель LLaVA на базе Mistral-7B отвечает на вопросы об изображениях и выполняет визуальные инструкции, с поддержкой инференса через SGLang.

Подходит для: ответы на вопросы о содержимом изображений · описание фотографий и иллюстраций · решение академических задач визуального вопросно-ответного поиска