北京大学などの研究チームが、LLaVA-o1というマルチモーダルなオープンソースモデルを発表しました。これは、自発的かつ体系的な推論を行うことができる、最初のビジョン言語モデルであるとされています。GPT-o1に匹敵する性能です。このモデルは、6つの難易度が高いマルチモーダルベンチマークテストで優れた性能を示し、110億パラメーターのバージョンでは、Gemini-1.5-pro、GPT-4o-mini、Llama-3.2-90B-Vision-Instructなどの競合他社を凌駕しました。