LLaVAは、ビジョンエンコーダとVicunaを組み合わせた、新しいエンドツーエンドでトレーニングされた大規模マルチモーダルモデルです。印象的なチャット能力を実現し、マルチモーダルGPT-4の精神を模倣し、科学的QAにおいて新たな最高精度を達成しました。LLaVAのユースケースには、日常ユーザーアプリケーションにおけるマルチモーダルチャットと、科学分野におけるマルチモーダル推論が含まれます。LLaVAのデータ、コード、チェックポイントは研究目的のみに限定され、CLIP、LLaMA、Vicuna、GPT-4のライセンスに準拠しています。