Мультимодальная LLaVA-Phi-2-3B принимает изображения и текстовые запросы, чтобы описывать изображения и отвечать на вопросы о них.

Подходит для: ответы на вопросы о содержимом изображения · генерация подписей к изображениям · диалог с пользователем по визуальному содержимому