LLaVA-OV-72B — это мощная мультимодальная нейросеть с открытым исходным кодом, объединяющая возможности компьютерного зрения и обработки текста. Модель отлично справляется с анализом видео, распознаванием объектов и ответами на сложные визуальные вопросы, задавая новые стандарты для открытых LMM.
We present LLaVA-OneVision, a family of open large multimodal models (LMMs) developed by consolidating our insights into data, models, and visual representations in the LLaVA-NeXT blog series. Our experimental results demonstrate that LLaVA-OneVision is the first single model that can simultaneously push the performance boundaries of open LMMs in three important computer vision scenarios: single-image, multi-image, and video scenarios. Importantly, the design of LLaVAOneVision allows strong transfer learning across different modalities/scenarios, yielding new emerging capabilities. In particular, strong video understanding and cross-scenario capabilities are demonstrated through task transfer from images to videos.