文章详情

多模态微调

9.1 视觉语言模型微调 LLaMA-Factory支持LLaVA风格的视觉语言模型微调。 数据格式 配置 9.2 图文数据准备 数据量建议： - 场景识别：5000-10000对 - OCR：10000+对 - 图表理解：3000-5000对 - 医学影像：需要领域专家标注 数据质量要求： - 图片分辨率不要太低（至少224x224） - 描述要准确具体，

3 阅读