LLaVA 1.6

LLaVA 1.6 (Large Language and Vision Assistant) ist eines der einflussreichsten Open-Source-Vision-Language-Modelle und kombiniert einen leistungsstarken Vision-Encoder mit einem Large Language Model für multimodale Bildverständnis-Aufgaben. Das Modell ist in mehreren Größen verfügbar — 7B, 13B und 34B Parameter — und nutzt je nach Variante Vicuna, Llama oder Yi als Sprachbackbone zusammen mit einem CLIP-ViT-L Vision-Encoder. LLaVA 1.6 (auch bekannt als LLaVA-NeXT) bringt gegenüber dem Vorgänger signifikante Verbesserungen: höhere Bildauflösung, verbesserte OCR-Fähigkeiten, besseres visuelles Reasoning und optimierte Instruktions-Befolgung.

Das Modell kann Bilder beschreiben, Fragen zu visuellen Inhalten beantworten, Text in Bildern erkennen, Diagramme interpretieren und komplexe visuelle Szenarien analysieren. Für die lokale Nutzung ist die 7B-Variante besonders attraktiv, da sie mit 8 bis 12 GB VRAM auskommt und über Ollama einfach installierbar ist. Die 34B-Variante bietet die beste Qualität, benötigt aber mindestens 24 GB VRAM.

LLaVA hat das Feld der Open-Source-VLMs maßgeblich geprägt und dient als Basis für zahlreiche spezialisierte Modelle. Die Apache-2.0-Lizenz ermöglicht uneingeschränkte kommerzielle Nutzung und macht LLaVA zur bevorzugten Wahl für lokale Bildanalyse-Anwendungen.