주요 특징

• 이미지, 장편 비디오, 3D 인식 기반 공간 추론을 별도의 태스크별 어댑터 없이 하나의 8B 파라미터 모델로 처리합니다. 문서·OCR·차트 같은 구조화된 시각 입력도 네이티브 해상도로 함께 다룹니다.
• OneVision-Encoder는 HEVC 영상 압축에서 착안해 I-프레임은 조밀하게, P-프레임은 움직임·잔차가 많은 패치만 선별해 샘플링합니다. 저장소가 공개한 자료 기준 동일한 54토큰 예산으로 균일 프레임 샘플링 대비 3배인 18프레임을 처리해 시간적 범위를 넓혔습니다.
• 이미지, 균일 프레임 비디오, 코덱 정렬 토큰을 모두 하나의 OneVision-Encoder가 공유 (t, h, w) 위치 체계로 처리해, 입력 형태별로 별도 토크나이저나 라우팅을 두지 않는 통합 구조를 채택했습니다.
• LLaVA-OneVision-2-VideoCaption(고밀도 비디오 캡션), LLaVA-OneVision-2-Spatial(3D 공간 추론) 두 신규 데이터셋과 1.5 세대의 8500만 건 규모 중간학습 코퍼스, 지시학습 데이터를 함께 공개해 학습 파이프라인 전체를 재현할 수 있습니다.
• 평가 설정과 벤치마크 코드를 lmms-eval 저장소의 전용 브랜치로 함께 공개해, 보고된 성능 수치를 프레임 방식과 코덱 방식 양쪽 백엔드에서 그대로 재현할 수 있는 Docker 환경과 실행 스크립트를 제공합니다.