引言

2023年10月，LLaVA-1.5凭借其简洁高效的设计和在12个数据集上的出色表现，为大规模多模态模型（LMM）的研究和应用奠定了基础。进入2024年，我们迎来了LLaVA-1.6，一个在理性推理、光学字符识别（OCR）和世界知识方面均有显著改进的版本，甚至在多个评测中超越了业界领先的Gemini Pro。

• Huggingface模型下载：https://huggingface.co/collections/liuhaotian/llava-16-65b9e40155f60fd046a5ccf2

• AI快站模型免费加速下载：https://aifasthub.com/models/liuhaotian

技术创新

• 动态高分辨率技术

LLaVA-1.6将输入图像的分辨率提高了4倍，支持三种长宽比，最高可达672x672分辨率。这一改进使得LLaVA-1.6能够捕捉到更多的视觉细节，从而提升了视觉推理和OCR的能力。

• 数据混合改进

通过改善视觉指令调优数据的混合方式，LLaVA-1.6在不同的应用场景中实现了更好的视觉对话能力。这一点体现在模型能够覆盖更广泛的应用，提供更丰富的世界知识和逻辑推理。

• 高效部署与推理

借助SGLang技术，LLaVA-1.6实现了高效的部署和推理能力，同时保持了LLaVA-1.5的简约设计和数据效率。

性能表现

在与前一版本LLaVA-1.5相比，LLaVA-1.6不仅在视觉细节捕捉、OCR能力和视觉对话方面取得了显著进步，还在多项国际评测中表现优异，全面超越了Gemini Pro等商业模型。特别值得一提的是，LLaVA-1.6展现了出色的中文零样本能力，即使用仅考虑英文多模态数据的模型，在中文多模态场景下也能取得领先的性能。

开源与社区贡献

为了促进LMM在社区的未来发展，LLaVA-1.6的代码、数据和模型将全部开源。这一举措旨在降低研究和开发的门槛，推动多模态AI技术的创新和应用。

结论

LLaVA-1.6的推出，不仅设定了多模态AI的新标准，其在中文零样本能力展现和低成本训练方面的革命性进步，更是对AI领域的重大贡献。随着技术的不断演进，期待LLaVA系列模型能够在推动AI技术发展和应用方面继续发挥其重要作用。

模型下载

Huggingface模型下载

https://huggingface.co/collections/liuhaotian/llava-16-65b9e40155f60fd046a5ccf2

AI快站模型免费加速下载

https://aifasthub.com/models/liuhaotian