EVE ist ein encoderfreies visuell-sprachliches Modell, das gemeinsam von Forschern der Dalian University of Technology, des Beijing Institute of Artificial Intelligence und der Peking University entwickelt wurde. Es zeigt überragende Fähigkeiten bei unterschiedlichen Bildformaten und übertrifft Fuyu-8B, wobei es sich den auf Basis modularer Encoder basierenden LVLMs annähert. EVE zeichnet sich durch seine Dateneffizienz und Trainingseffizienz aus. Es wurde mit 33 Millionen öffentlich zugänglichen Daten vortrainiert und mit 665.000 LLaVA SFT-Daten für das EVE-7B-Modell und zusätzlichen 1,2 Millionen SFT-Daten für das EVE-7B (HD)-Modell feinabgestimmt. Die Entwicklung von EVE folgte einer effizienten, transparenten und praktikablen Strategie und eröffnet neue Wege für crossmodale, rein decoderbasierte Architekturen.