VITA是腾讯优图实验室推出的全球首个开源多模态大语言模型（MLLM），能理解和处理视频、图像、文本和音频。基于Mixtral 8×7B模型，扩展了中文词汇量，进行了双语指令微调，支持自然人机交互，无需唤醒词即可响应。VITA的开源属性为学术和工业界提供了重要资源，推动了多模态理解和交互技术的发展。

VITA – 腾讯推出的开源多模态AI模型 第1张
（图片来源网络，侵删）
VITA – 腾讯推出的开源多模态AI模型 第2张
（图片来源网络，侵删）