llava

LLaVA代表了一种新颖的端到端训练的大规模多模式模型，该模型结合了视觉编码器和Vicuna，以实现一般的视觉和语言理解，从而实现了令人印象深刻的聊天功能，该功能以GPT-4的精神模仿了多模式，并在科学QA中设置了新的最先进的准确性。