Hugging Face上のLLaVA-v1.5-13bモデルカード（開発者liuhaotian氏による公式アップロード）によると、モデルはLLaMA/Vicunaをベースに、①LAION/CC/SBUからBLIPでキャプション付けされた55万8千件の画像テキストペア、②GPTが生成した15万8千件のマルチモーダル指示追従データ、③45万件の学術タスク志向VQAデータ、④4万件のShareGPTデータ、という4種類のデータセットでファインチューニングされている。ライセンスはMeta Platforms, Inc.のLLAMA 2 Community Licenseに従うと明記されている。