LLaVA：大型语言和视觉助手；LLaVA 代表了一种新颖的端到端训练大型多模态模型，该模型结合了视觉编码器和 Vicuna 以实现通用视觉和语言理解，实现了令人印象深刻的聊天功能，模仿多模态 GPT-4 的精神，并在科学 QA 上设置了新的最先进的准确性。