LLaVA

Identity

• LLaVAは視覚エンコーダと言語モデルを接続したオープンの視覚言語モデルで、画像についての対話・指示応答ができる。検証待ち LLaVA — Project Page

Capability

• LLaVAは視覚エンコーダと言語モデルを接続したオープンの視覚言語モデルで、画像についての対話・指示応答ができる。検証待ち LLaVA — Project Page
• LLaVAのコード・学習データ・ウェイトはGitHubで公開されており、オープンな視覚言語モデルとして再現・拡張が可能である。検証待ち GitHub — haotian-liu/LLaVA

Credibility

• LLaVAを提案したVisual Instruction Tuning論文はarXivで公開され、NeurIPS 2023に採択されている。検証待ち Visual Instruction Tuning (arXiv)

Use Case

公開Evidence未整備

Constraints / Current Status

• LLaVAのコード・学習データ・ウェイトはGitHubで公開されており、オープンな視覚言語モデルとして再現・拡張が可能である。検証待ち GitHub — haotian-liu/LLaVA

Key References

• LLaVAとはどのようなモデルですか？
• LLaVAとクローズドなマルチモーダルAIの違いは何ですか？
• 画像を扱えるオープンモデルを自社で試すには、LLaVAをどう使えばよいですか？

Related

• Llama— LLaVAは当初Llama系の言語モデル（Vicuna）を構成要素として構築された視覚言語モデルである（系譜関係）。