LLaVA-o1是北京大学、清华大学、鹏城实验室、阿里巴巴达摩院以及理海大学（Lehigh University）组成的研究团队推出的开源视觉语言模型，基于Llama-3.2-Vision模型构建，能进行自主的多阶段“慢思考”推理。模型基于结构化推理，将问题解决过程明确划分为总结、视觉解释、逻辑推理和结论生成四个阶段，显著提升系统推理能力。在多模态推理基准测试中，LLaVA-o1超越基础模型和其他开闭源模型，展现卓越的性能。

LLaVA-baidu09o1 – 北大清华联合多所机构推出开源的视觉语言模型 第1张
（图片来源网络，侵删）
LLaVA-baidu09o1 – 北大清华联合多所机构推出开源的视觉语言模型 第2张
（图片来源网络，侵删）