#80 · 主分类： 基础模型
LLaVA-Mini
efficient
gpt4o
gpt4v
large-language-models
large-multimodal-models
llama
llava
multimodal
multimodal-large-language-models
video
vision
vision-language-model
visual-instruction-tuning
LLaVA-Mini 是一个统一的大型多模态模型（LMM），能够高效地支持图像、高分辨率图像和视频的理解。
项目最后更新：06/29/25
GitHub Stars
577
Forks数量
34
贡献者数量
2
许可证
Apache-2.0
收录理由
多数多模态模型每看一张图都要付出高昂的计算和内存代价，因为一张图会被拆成几百个视觉token。LLaVA-Mini把整张图压缩成一个token，作者称这能减少约77%的浮点运算量，单图显存占用从几百MB降到不足1MB，同时精度仍接近LLaVA-v1.5。这种节省延伸到视频处理上，模型能在单块24GB显卡上跑完超长视频，让原本成本过高的应用变得可行。仓库里带了Gradio演示、图片和视频的命令行脚本，以及训练和评估文档，下载Hugging Face权重后很快就能搭出可用的界面。这是基于LLaVA代码库的研究版本，需要自己适配而非开箱即用，但效率提升是实打实可测量的。
相关文章
暂无针对该项目的文章。
如需补充新闻资讯、使用教程、应用测评等内容，欢迎 联系我们推荐选题或投稿。