Предварительная мультимодальная модель LLaVA на 6,6 млрд параметров для ответов на текстовые инструкции об изображениях, включая задачи визуального восприятия низкого уровня.

Подходит для: ответы на вопросы об изображениях · описание визуальных деталей и низкоуровневых признаков изображений · эксперименты с визуально-языковыми инструкциями