LLaVA-NEXT-Mistral-7B

Visual Value Model (VisVM)通过推理时搜索显著提升了多模态视觉语言模型的图像描述质量，减少了幻觉现象。其研究结果表明，扩大推理时间计算量能够显著增强VLM的视觉理解能力，并能以较低成本实现提升。