Llava

LLaVA（Large Language and Vision Assistant）是一种开源多模态大语言模型，由视觉编码器与大型语言模型组合构成。它能够同时理解图像与文本输入，支持视觉问答、图像描述生成、多轮视觉对话等任务。LLaVA采用指令微调训练方式，具备较强的视觉语言对齐能力，广泛用于多模态研究与应用开发领域。