BLIVA

让AI看清图片里的文字，回答更准确

BLIVA是一个基于多模态大语言模型的视觉问答助手，专注于处理包含大量文本的视觉问题，如文档截图、路牌、菜单等场景。它通过结合BLIP-2的视觉编码能力和LLaMA等语言模型的推理能力，并引入指令微调和LoRA等高效训练技术，显著提升了模型对图像中文字信息的理解和回答准确性。项目提供了完整的训练和推理代码，支持自定义数据集进行微调，旨在解决传统多模态模型在文本丰富图像上表现不佳的问题。其核心能力包括：从图像中提取并理解文本、结合视觉和语言信息进行推理、以及通过简单架构实现高效的多模态对话。

开源 free 对话助手
访问官网 ↗ GitHub ↗ 文档 ↗
GitHub 星标 ★ 260
维护状态 低维护
是否开源 是
定价模式 free

项目数据

分类对话助手
开发团队mlpc-ucsd
所属国家
官网地址
GitHubhttps://github.com/mlpc-ucsd/BLIVA
定价模式free
价格说明开源项目，BSD-3-Clause许可证，可自由使用和修改，无付费版本。
访问状态
是否开源是
开源协议BSD-3-Clause
主要语言Python
技术栈/模型blip2,bliva,chatbot,instruction-tuning,llama,llm,lora,multimodal,visual-language-learning
GitHub 星标★ 260
30天Star增速
HF 下载量
上线时间2023-08-02 00:00:00
最近更新2026-09-04 00:00:00
维护状态低维护
中文支持
访问方式
移动端支持
综合评分
收录时间2026-08-09
浏览次数3

使用教程

核心亮点

  • 在TextVQA等文本丰富视觉问答基准上表现优异，超越同类模型
  • 架构简单，基于BLIP-2和LLaMA，易于理解和复现
  • 支持LoRA等高效微调，降低训练成本

不足之处

  • 项目处于早期阶段，文档和社区支持待观察
  • 对中文场景支持有限，主要面向英文

适用场景

  • 文档图像问答，如合同、发票信息提取
  • 街景文字识别，如路牌、招牌问答
  • 教育场景，如教材截图提问

替代项目

LLaVA、InstructBLIP、MiniGPT-4

项目介绍

BLIVA 是开源模型领域的开源项目，由 mlpc-ucsd 开发，2023 年首次发布。

它收录于开源模型分类，该分类目前共有 422 个项目，GitHub 星标数为 260。

项目已超过三个月没有代码更新，维护节奏明显放缓，最近一次代码更新于 2026-09-04。BSD-3-Clause许可证，可自由使用和修改，无付费版本。

它主要面向的使用场景是：文档图像问答，如合同、发票信息提取。同类可对比的替代方案包括 LLaVA、InstructBLIP、MiniGPT-4。

上一篇：LLaVAR

下一篇：gpt-j

同类项目推荐

Machine-Learning 开源

跟着博客笔记，边看边跑机器学习代码

All content related to machine learning from my blog

★ 115 2026-08-09
CoreML-Models 开源

下载即用的苹果端 AI 模型库，免去转换烦恼

Core ML model zoo for iOS/macOS — PyTorch models converted to ready-to-use .mlpacka···

★ 1873 2026-08-10