LLaVA（大型语言和视觉助手）工具是一种创新的大型多模态模型，专为通用视觉和语言理解而设计。 它将视觉编码器与大型语言模型 (LLM) Vicuna 相结合，并进行端到端训练。
LLaVA 展示了令人印象深刻的聊天功能，模仿了多模式 GPT-4 的性能，并在 Science QA 任务上设定了新的最先进的准确性。 该工具的主要功能是能够使用纯语言 GPT-4 生成多模式语言图像指令跟踪数据。
LLaVA 是开源的，具有公开可用的数据、模型和代码。 它针对视觉聊天应用程序和科学领域推理等任务进行了微调，在这两个领域都实现了高性能。
