一、LLaVA 论文中的主要工作和实验结果
-
Existing Gap: 之前的大部分工作都在做模态对齐，做图片的 representation learning，而没有针对 ChatBot（多轮对话，指令理解）这种场景优化。
-
Contribution: 这篇工作已经在 BLIP-2 之后了，所以 Image 的理解能力不是 LLaVA 希望提升的重点，LLaVA 是想提升多模态模型的 Instruction-Following ability，也就是特定的多轮 QA 场景。
-
数据构造：构造了三种 Instruction 的数据，包括多轮对话、图片描述和复杂推理。其中，图片描述是从多轮对话中选取出来的。分别构造了 58k、23k 和 77k 数据。
<
