LLaVA

Der Open-Source-Vision-Pionier, in jedem Tool unterstützt. Gut für allgemeine Bildbeschreibung; bei Text im Bild sind Neuere besser.

So nutzt du es

Am einfachsten per Ollama: ollama pull <modellname> und dann ollama run <modellname> — oder komfortabel mit LM Studio (grafische Oberfläche, Modell-Suche eingebaut). Die Hardware-Angaben unten beziehen sich auf die übliche 4-Bit-Quantisierung (Q4).

Größen & Hardware

• Verfügbare Größen: 7B / 13B / 34B
• Empfohlene Hardware (Q4): 7B: 8 GB

Im Detail

LLaVA war eines der ersten offenen Vision-Language-Modelle und wird entsprechend breit unterstützt – so gut wie jedes lokale Tool (Ollama, LM Studio, Open WebUI) kann es direkt laden. Es beschreibt Bildinhalte, beantwortet Fragen zu Szenen und erkennt Objekte solide, in den Varianten 7B, 13B und 34B je nach verfügbarer Hardware (7B läuft schon mit rund 8 GB). Bei feinem Text im Bild – Screenshots, Dokumente, Tabellen – oder komplexerem visuellem Schlussfolgern ziehen neuere Modelle wie Qwen-Vision-Varianten oder Llama 4 klar vorbei. Für einfache, allgemeine Bildbeschreibung auf schwacher Hardware ist LLaVA aber weiterhin eine unkomplizierte, gut getestete Wahl.

Praxis-Tipp

Für Text-in-Bild-Aufgaben (Belege, Screenshots) lieber ein neueres Vision-Modell testen – LLaVA glänzt bei allgemeinen Beschreibungen wie „Was zeigt dieses Foto?“, nicht bei OCR-lastigen Aufgaben.

Siehe auch

• Llama 4 (Scout / Maverick)
• Qwen 2.5

Lizenz & Quelle

• Lizenz: Apache-2.0 (Code); Basis-Modell-Lizenz (Llama/Vicuna) beachten
• Quelle: Ollama
• Quelle: HF