LMMs-Lab presentó LLaVA-OneVision, una familia de modelos multimodales abiertos en escalas de 0.5B, 7B y 72B parámetros diseñada para unificar la comprensión de imágenes individuales, colecciones multi-imagen y secuencias de video continuo en una única arquitectura.
La noticia en una frase
LMMs-Lab liberó LLaVA-OneVision, el primer modelo abierto que demuestra transferencia positiva simultánea entre escenarios de imagen única, comparativa visual múltiple y comprensión de video sin degradar el rendimiento especializado.
El alcance que cambia la lectura
Tradicionalmente, los modelos de visión artificial se optimizaban por separado para tareas estáticas (como OCR o clasificación) o dinámicas (como análisis de video), produciendo fragmentación arquitectónica. LLaVA-OneVision demuestra que un entrenamiento unificado sobre un conjunto representativo multiescala permite a un modelo de 7B competir con soluciones comerciales como GPT-4o y Claude 3.5 Sonnet en benchmarks de razonamiento visual.
