title: “Llava — Large Language and Vision Assistant” sidebar_label: “Llava” description: “Large Language and Vision Assistant”

{/* 本页面由 website/scripts/generate-skill-docs.py 根据技能对应的 SKILL.md 文件自动生成。请直接编辑源文件 SKILL.md，而非此页面。 */}

Llava

大型语言与视觉助手。支持基于视觉的指令微调以及图像对话功能。它将 CLIP 视觉编码器与 Vicuna/LLaMA 语言模型相结合，可实现多轮图像聊天、视觉问答及指令遵循功能。适用于构建视觉语言聊天机器人或处理图像理解任务，尤其擅长对话式图像分析。

技能元数据

参考：完整的 SKILL.md 文件

:::info 以下是当触发该技能时 Hermes 所加载的完整技能定义。技能处于激活状态时，智能体看到的指令内容即为此文件内容。

::

LLaVA - 大型语言与视觉助手

用于对话式图像理解的开源视觉语言模型。

何时使用 LLaVA

适用场景：

• 构建视觉语言聊天机器人
• 视觉问答（VQA）
• 图像描述与生成标题
• 多轮图像对话 | 视觉指令遵循 | | 基于图像的文档理解 |

核心指标：

• 23,000 多个 GitHub 星标
• 达到 GPT-4V 级别的性能（目标定位）
• 采用 Apache 2.0 许可证
• 提供多种模型规模选择（7B-34B 参数量）

可选替代方案：

• GPT-4V：质量最高，基于 API 接口
• CLIP：简单的零样本分类工具
• BLIP-2：更适用于仅生成标题的场景
• Flamingo：处于研究阶段，非开源项目

快速入门

安装

# Clone repository
git clone https://github.com/haotian-liu/LLaVA
cd LLaVA

# Install
pip install -e .

基本用法

from llava.model.builder import load_pretrained_model
from llava.mm_utils import get_model_name_from_path, process_images, tokenizer_image_token
from llava.constants import IMAGE_TOKEN_INDEX, DEFAULT_IMAGE_TOKEN
from llava.conversation import conv_templates
from PIL import Image
import torch

# Load model
model_path = "liuhaotian/llava-v1.5-7b"
tokenizer, model, image_processor, context_len = load_pretrained_model(
    model_path=model_path,
    model_base=None,
    model_name=get_model_name_from_path(model_path)
)

# Load image
image = Image.open("image.jpg")
image_tensor = process_images([image], image_processor, model.config)
image_tensor = image_tensor.to(model.device, dtype=torch.float16)

# Create conversation
conv = conv_templates["llava_v1"].copy()
conv.append_message(conv.roles[0], DEFAULT_IMAGE_TOKEN + "\nWhat is in this image?")
conv.append_message(conv.roles[1], None)
prompt = conv.get_prompt()

# Generate response
input_ids = tokenizer_image_token(prompt, tokenizer, IMAGE_TOKEN_INDEX, return_tensors='pt').unsqueeze(0).to(model.device)

with torch.inference_mode():
    output_ids = model.generate(
        input_ids,
        images=image_tensor,
        do_sample=True,
        temperature=0.2,
        max_new_tokens=512
    )

response = tokenizer.decode(output_ids[0], skip_special_tokens=True).strip()
print(response)

可用模型

# Load different models
model_7b = "liuhaotian/llava-v1.5-7b"
model_13b = "liuhaotian/llava-v1.5-13b"
model_34b = "liuhaotian/llava-v1.6-34b"

# 4-bit quantization for lower VRAM
load_4bit = True  # Reduces VRAM by ~4×

CLI 使用指南

# Single image query
python -m llava.serve.cli \
    --model-path liuhaotian/llava-v1.5-7b \
    --image-file image.jpg \
    --query "What is in this image?"

# Multi-turn conversation
python -m llava.serve.cli \
    --model-path liuhaotian/llava-v1.5-7b \
    --image-file image.jpg
# Then type questions interactively

Web界面（Gradio）

# Launch Gradio interface
python -m llava.serve.gradio_web_server \
    --model-path liuhaotian/llava-v1.5-7b \
    --load-4bit  # Optional: reduce VRAM

# Access at http://localhost:7860

多轮对话功能

# Initialize conversation
conv = conv_templates["llava_v1"].copy()

# Turn 1
conv.append_message(conv.roles[0], DEFAULT_IMAGE_TOKEN + "\nWhat is in this image?")
conv.append_message(conv.roles[1], None)
response1 = generate(conv, model, image)  # "A dog playing in a park"

# Turn 2
conv.messages[-1][1] = response1  # Add previous response
conv.append_message(conv.roles[0], "What breed is the dog?")
conv.append_message(conv.roles[1], None)
response2 = generate(conv, model, image)  # "Golden Retriever"

# Turn 3
conv.messages[-1][1] = response2
conv.append_message(conv.roles[0], "What time of day is it?")
conv.append_message(conv.roles[1], None)
response3 = generate(conv, model, image)

常见任务

图像文字描述生成

question = "Describe this image in detail."
response = ask(model, image, question)

视觉问答功能

question = "How many people are in the image?"
response = ask(model, image, question)

对象检测（文本模式）

question = "List all the objects you can see in this image."
response = ask(model, image, question)

场景理解

question = "What is happening in this scene?"
response = ask(model, image, question)

文档理解

question = "What is the main topic of this document?"
response = ask(model, document_image, question)

训练自定义模型

# Stage 1: Feature alignment (558K image-caption pairs)
bash scripts/v1_5/pretrain.sh

# Stage 2: Visual instruction tuning (150K instruction data)
bash scripts/v1_5/finetune.sh

量化处理（降低显存占用）

# 4-bit quantization
tokenizer, model, image_processor, context_len = load_pretrained_model(
    model_path="liuhaotian/llava-v1.5-13b",
    model_base=None,
    model_name=get_model_name_from_path("liuhaotian/llava-v1.5-13b"),
    load_4bit=True  # Reduces VRAM ~4×
)

# 8-bit quantization
load_8bit=True  # Reduces VRAM ~2×

最佳实践

1. 从7B模型开始——质量优异，显存占用可控
2. 采用4位量化——可显著降低显存需求
3. 需使用GPU——CPU推理速度极慢
4. 明确提示词——具体问题能获得更优答案
5. 多轮对话——保持对话上下文连贯性
6. 温度值设为0.2-0.7——平衡创造力与一致性
7. max_new_tokens设置为512-1024——获取更详细的回复
8. 批量处理——依次处理多张图片

性能表现

测试环境：A100 GPU

测试结果

LLaVA在以下评测中取得了优异成绩：

• VQAv2：78.5%
• GQA：62.0%
• MM-Vet：35.4%
• MMBench：64.3%

局限性

1. 幻觉现象——可能描述图片中不存在的内容
2. 空间推理能力较弱——难以精准定位物体位置
3. 小字体识别困难——难以辨认细微文字
4. 物体计数不准确——对多个物体的统计易出错
5. 高显存需求——需配置高性能GPU
6. 推理速度较慢——低于CLIP模型

与框架的集成

LangChain

from langchain.llms.base import LLM

class LLaVALLM(LLM):
    def _call(self, prompt, stop=None):
        # Custom LLaVA inference
        return response

llm = LLaVALLM()

Gradio 应用程序

import gradio as gr

def chat(image, text, history):
    response = ask_llava(model, image, text)
    return response

demo = gr.ChatInterface(
    chat,
    additional_inputs=[gr.Image(type="pil")],
    title="LLaVA Chat"
)
demo.launch()

资源链接

• GitHub仓库：https://github.com/haotian-liu/LLaVA ⭐ 23,000+ 次点赞
• 相关论文：https://arxiv.org/abs/2304.08485
• 演示页面：https://llava.hliu.cc
• 模型地址：https://huggingface.co/liuhaotian
• 许可证：Apache 2.0