Llava NeXT Video 7B

🚀 LLaVA-Next-Videoモデルカード

LLaVA-Next-Videoは、多モーダル命令追従データで大規模言語モデル（LLM）をファインチューニングして学習させたオープンソースのチャットボットです。主に大規模多モーダルモデルやチャットボットの研究に使用されます。

📚 詳細ドキュメント

モデルの詳細

ライセンス

Llama 2はLLAMA 2 Community Licenseの下でライセンスされており、Copyright (c) Meta Platforms, Inc. All Rights Reservedです。

モデルに関する質問やコメントの送信先

https://github.com/LLaVA-VL/LLaVA-NeXT/issues

想定される用途

主な想定用途

LLaVAの主な用途は、大規模多モーダルモデルとチャットボットの研究です。

主な想定ユーザー

このモデルの主な想定ユーザーは、コンピュータビジョン、自然言語処理、機械学習、および人工知能の研究者と愛好家です。

学習データセット

画像

• LAION/CC/SBUからフィルタリングされた558Kの画像テキストペアで、BLIPによってキャプション付けされています。
• 158KのGPT生成多モーダル命令追従データ。
• 500Kの学術タスク指向のVQAデータミックス。
• 50KのGPT-4Vデータミックス。
• 40KのShareGPTデータ。

動画

• 100KのVideoChatGPT-Instruct。

評価データセット

3つの学術VQAベンチマークと1つのキャプショニングベンチマークを含む4つのベンチマークのコレクションです。