LLaVA : Visual Instruction Tuning

• "LLaVA : Large Language and Vision Assistant"
• Un grand modèle multimodal qui combine un encodeur de vision et Vicuna pour une compréhension générale de la vision et du langage
• Vise des capacités de niveau GPT-4 multimodal ainsi qu'une précision SOTA pour les questions-réponses scientifiques
• Publication du papier, du code et d'une démo