LLaVA-3bは、Dolphin 2.6 Phiをファインチューニングしたモデルです。SigLIP 400Mのビジョнтаワーを用いて、LLaVA方式でファインチューニングされています。複数の画像ラベル、ビジョンエンコーダの最終層出力などを特徴としています。このモデルはPhi-2をベースとしており、マイクロソフトリサーチライセンスの制約を受け、商用利用は禁止されています。ML Collectiveによる計算リソースクレジットへの感謝を述べます。