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 Modelle, das Sprachmodelle mit Bildverständnis verband, und wird deshalb von praktisch jedem lokalen KI-Tool (Ollama, LM Studio, Open WebUI) direkt unterstützt – ein großer Pluspunkt für Kompatibilität. In Größen von 7B bis 34B verfügbar, reicht schon die kleine Variante mit rund 8 GB Speicherbedarf für einfache Bildbeschreibungen, Szenenanalysen oder Bildunterschriften. Wo LLaVA schwächelt, ist bei Text innerhalb von Bildern (OCR) und bei feinen Details – hier liefern neuere Vision-Modelle deutlich genauere Ergebnisse. Für Einsteiger, die schnell mit lokaler Bildanalyse experimentieren wollen, bleibt LLaVA wegen der breiten Tool-Unterstützung trotzdem ein guter erster Zugang.

Praxis-Tipp

Nutzen Sie LLaVA für schnelle Alltagsbeschreibungen wie „Was ist auf diesem Foto zu sehen?“ – für Rechnungen oder Screenshots mit viel Text greifen Sie besser zu einem neueren OCR-starken Modell.

Siehe auch

• Llama 4 (Scout / Maverick)

Lizenz & Quelle

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