Das Imp-Projekt zielt darauf ab, eine Reihe leistungsstarker multimodaler kleiner Sprachmodelle (MSLMs) bereitzustellen. Unser imp-v1-3b ist ein leistungsstarkes MSLM mit 3 Milliarden Parametern. Es basiert auf dem kleinen, aber leistungsstarken SLM Phi-2 (2,7 Milliarden) und einem leistungsstarken visuellen Encoder SigLIP (400 Millionen) und wurde auf dem LLaVA-v1.5-Datensatz trainiert. Imp-v1-3b übertrifft in verschiedenen multimodalen Benchmarks deutlich Konkurrenzmodelle ähnlicher Größe und zeigt sogar in verschiedenen multimodalen Benchmarks eine leicht bessere Leistung als das leistungsstarke LLaVA-7B-Modell.