LLaVA-1.6: Improved reasoning, OCR, and world knowledge

概要

• アップデート内容
• 入力画像の解像度を4kに増やすことで、より多くの視覚的な詳細を捉えることができるようになった（最大672x672、336x1344、1344x336）
• visual instruction tuningにおいてdata mixtureを使用し、視覚的推論とOCRの能力向上
• さまざまなシナリオでの視覚的会話の性能向上
• SGLangを用いた効率的なデプロイメントと推論

• demo

• 使用例