tiny-LlavaForConditionalGeneration

该模型属于 LLaVA 系的多模态结构家族，输入覆盖 text 与 image，输出为 text，2024 年 11 月 26 日发布并开放权重。命名中的 tiny 与发布方 peft-internal-testing 共同指向它的用途：在 PEFT 相关代码仓库中充当轻量夹具，用于验证微调流程、数据管线与推理链路是否正常工作，而不是提供高质量的通用视觉问答。它解决的核心问题在于成本与速度：完整多模态模型体积大、依赖重，不适合在持续集成或本地调试中频繁加载；微型版本可以在普通硬件上快速完成一次前向推理或一轮微调试验，出错时也更容易定位是代码问题还是模型问题。官方未标注具体能力项，也未公开参数量与训练细节，公开资料较少。使用时应把它当作工程验证工具，而非可直接交付业务的效果型模型。

选型建议需要跑通图文多模态训练或推理链路、且对生成效果要求不高的工程验证场景可以选它；追求业务级效果或有跑分背书的正式选型则不应考虑。

• 验证 PEFT 微调脚本在图文混合数据上的完整流程能否顺利跑通
• 作为持续集成中的轻量多模态模型，替代大模型完成冒烟检查
• 调试图像预处理与投影层对齐代码，快速复现形状或维度报错
• 在新部署环境中做端到端联调，确认权重加载、推理与输出格式正确
• 用作教学或演示素材，向他人展示视觉-语言拼接模型的最小可运行形态

结构上沿用 LLaVA 一类的拼接思路：视觉编码器负责图像表示，投影层把视觉特征映射到文本词嵌入空间，再由语言模型完成文本生成；整体以极小体量换取加载与推理速度。

• 结构图像经视觉塔编码后由投影层对齐到语言模型嵌入空间，再以自回归方式输出文本，属于典型的视觉-语言拼接架构。
• 能力支持 text 与 image 两种输入、text 单一输出，能完成最基础的看图应答，官方未标注任何具体能力项。
• 披露参数量、视觉塔来源、训练数据与对齐策略均未公开，公开资料较少，规格只能从命名与权重文件侧做有限推断。

开源权重

是

模型家族

—

许可证

—

参数规模

—

官方未公布评测数字，第三方跑分在本站也无收录，因此只能从体量与设计目标出发做定性判断，不涉及任何具体分数。

• 强项体量小、依赖轻，配合 PEFT 做 LoRA 等微调流程验证时，能在普通机器上快速跑完一轮图文训练与推理。
• 短板容量有限，复杂视觉推理、长文本生成与多轮对话的稳定性明显弱于通用多模态大模型，输出质量不宜期待。
• 适合把它当测试用模型而非产品模型，用于验证数据管线、微调脚本与部署链路是否跑通，效果指标不是关注重点。

官方价格未公开，模型以开源权重形式分发，实际成本主要落在自建推理、存储与调试的人力上，而非调用计费。

• 定位没有公开定价，也不属于按调用量计费的商用 API 模型，谈成本只能按自托管的算力与运维开销核算。
• 横向对比与闭源商用多模态 API 相比免去逐次调用费用，但缺少服务保障、配额体系与稳定的版本承诺。
• 平台差价收录平台数为 0，暂无第三方托管报价可供横向比较，不同云厂商的自建成本需按实例规格自行估算。
• 省钱以测试为目的时，优先使用 CPU 或小规格实例即可完成任务，不必为它长期占用高价 GPU 资源。

• 口径能力项未标注、第三方跑分缺失，任何关于效果强弱的判断都只能停留在定性层面，不能引用具体指标。
• 边界命名带内部测试属性，并非产品化发布的模型，不适合直接用于对外业务、合规敏感或高可靠性要求的场景。

本页资料由多个公开来源交叉整理：按「官方目录 → 通用网关 → 开源仓库 → 中文资料」的优先级合并， 冲突时取优先级高的来源。价格单位是美元 / 百万 tokens，为各平台对 API 调用的报价，不含自部署成本。 资料由公开来源整理，不代表 AiTest 已对该模型或其收录中转站做过真实性、稳定性或安全检测。

本页的模型介绍、架构、性能与性价比解读为 AI 综合公开信息整理，部分未经本站逐项核实；规格、价格与跑分以本页数据字段为准。