LLaVA-OneVision-1.5 - 免费开源的多模态模型，高性能多模态理解
LLaVA-OneVision-1.5是EvolvingLMMS-Lab团队开源的多模态模型，采用8B参数规模，通过紧凑三阶段训练流程（语言-图像对齐、概念均衡与知识注入、指令微调）在128张A800 GPU上4天完成预训练，总成本约1.6万美元。其核心创新包括RICE-ViT视觉编码器支持原生分辨率与区域级细粒度语义建模，以及通过"概念均衡"策略优化数据利用率。在OCR、文档理解等任务上性能超越Qwen2.5-VL，并首次实现全流程开源（含数据、训练工具链、评测脚本），显著降低多模态模型复现门槛。模型代码已发布在GitHub，支持社区低成本复现与二次开发。