本文へスキップ

llava-llama-3-8b-v1_1

XTuner が調整した画像とテキスト向け LLaVA モデル

公式サイトを見る

llava-llama-3-8b-v1_1 とは

本モデルは XTuner が最適化した LLaVA モデルと紹介され、画像とテキストを合わせて扱う設計。Meta-Llama-3-8B-Instruct と CLIP-ViT-Large-patch14-336 を土台に微調整されている。

できること

  • 画像に関わるテキストを理解し生成する
  • 下流の配備・評価ツールキットと共に働く
  • FP16 精度でモデルを動かす

活用場面

  • 画像検索向けに注釈と説明が作られる
  • ソーシャル分析が画像とテキストを組み合わせる
  • チャットボットの背面が豊かなやり取りを得る

長所と短所

✓ 良い点

  • 複数の下流の配備・評価ツールキットと組み合わせられる
  • 機能一覧は 8.03B のパラメータと 72.3%・66.4% などの数値を挙げる

! 注意したい点

  • 入力には画像と関連テキストの両方の用意が要る
  • モデルは Hugging Face から読み込む

よくある質問

何を土台にしている?

資料は Meta-Llama-3-8B-Instruct と CLIP-ViT-Large-patch14-336 を挙げる。

FP16 に対応する?

機能一覧はモデルが FP16 精度に対応と記載。

最終評価日: 2026-11-15

その他 AI画像生成 ツール

すべて見る →

評価方法