LLaVA-o1 é um modelo de linguagem visual desenvolvido pela equipe Tuple da Universidade de Pequim. Ele é capaz de realizar raciocínio espontâneo e sistemático, semelhante ao GPT-o1. O modelo superou outros modelos em seis benchmarks multimodais desafiadores, incluindo Gemini-1.5-pro, GPT-4o-mini e Llama-3.2-90B-Vision-Instruct. O LLaVA-o1 resolve problemas através de raciocínio passo a passo, demonstrando sua vantagem única em modelos de linguagem visual.