LLaVA 13B

LLaVA is a large multimodal model that combines a vision encoder and Vicuna for general-purpose visual and language understanding, achieving impressive chat capabilities and setting a new state-of-the-art accuracy on Science QA. #multimodal

LLaVA 13B 的上下文窗口为 2,048 token。

LLaVA 13B 接受 文本和图像 作为输入，并返回 文本。

LLaVA 13B 于 2023年11月16日 发布。其知识截止日期为 2023年6月30日。