LLaVA: Visual Instruction Tuning

• "LLaVA: Large Language and Vision Assistant"
• Model multimodal skala besar yang menggabungkan vision encoder dan Vicuna untuk pemahaman visual dan bahasa yang bersifat umum
• Menargetkan kemampuan setara GPT-4 multimodal serta akurasi SOTA dalam tanya jawab ilmiah
• Makalah, kode, dan demo telah dirilis