Large Language Model with Vision Capabilities (LLMVision) to zaawansowany model multimodalny, który łączy zdolności przetwarzania tekstu z analizą obrazów. Dzięki zastosowaniu architektury transformer do fragmentów zdjęć (tokenów wizualnych), system ten potrafi opisywać, tagować i interpretować zawartość wizualną w kontekście języka naturalnego.
Źródło: github.com
