洞察AI變革，見證智能未來

2025中國技術力量年度榜單

AI開源明星項目TOP10

LLaVA-OneVision-1.5多模態(tài)大模型

靈感實驗室聯(lián)合LLaVA社區(qū)發(fā)布的多模態(tài)大模型LLaVA-OneVision-1.5，實現(xiàn)了訓練數(shù)據(jù)、代碼和模型權重的全鏈路開源，在多項公開多模態(tài)基準上表現(xiàn)優(yōu)于同等規(guī)模的Qwen2.5-VL。

在創(chuàng)新性上，技術團隊對“視覺編碼器+投影層+大語言模型”的LLaVA架構進行模塊升級：視覺編碼器從CLIP替換為格靈深瞳自研Glint-ViT v1.5(RICE)，大語言模型從Qwen2替換為Qwen3。

在訓練數(shù)據(jù)方面，團隊推出完整開放的85M預訓練數(shù)據(jù)集(LLaVA-OV-1.5-Mid-Training-85M)與精篩22M指令數(shù)據(jù)集(LLaVA-OV-1.5-Instruct-22M)，并且做到“概念均衡”——構建一個50萬的詞表，利用圖像特征與詞表特征碰撞，并控制每個詞碰到的圖片數(shù)，制作出一個不同于隨機采樣的概念均衡訓練集。

除了數(shù)據(jù)集以外，LLaVA-OneVision-1.5 技術報告、代碼、模型也已開源：

LLaVA-OneVision-1.5

技術報告：

https://arxiv.org/abs/2509.23661

代碼：

https://github.com/EvolvingLMMs-Lab/LLaVA-OneVision-1.5

模型：

https://huggingface.co/lmms-lab/LLaVA-OneVision-1.5-8B-Instruct

Demo：

https://huggingface.co/spaces/lmms-lab/LLaVA-OneVision-1.5

數(shù)據(jù)集：

Pretrain Data：https://huggingface.co/datasets/lmms-lab/LLaVA-One-Vision-1.5-Mid-Training-85M

Instruct Data：https://huggingface.co/datasets/lmms-lab/LLaVA-OneVision-1.5-Insturct-Data