大语言模型专注于文本处理，多模态大模型结合文本、图片和视频。字节跳动的 LLaVA-OneVision 在图像和视频任务中表现优于 GPT-4V。用户可通过 HyperAI 平台体验其多模态数据处理能力。

LLaVA-OneVision是一种大型多模型家族，能在单图像、多图像和视频场景中推动开放的大型多模型性能边界的模型。它允许在不同的模态/场景之间进行强大的迁移学习，展示了强大的视频理解和跨场景能力。