LLaVA: Ajuste de instrucciones visuales

• "LLaVA : Large Language and Vision Assistant"
• Modelo multimodal a gran escala que combina un codificador de visión y Vicuna para una comprensión visual y lingüística de propósito general
• Busca capacidades a nivel de GPT-4 multimodal y precisión SOTA en preguntas y respuestas científicas
• Publicaron el paper, el código y la demo