LLaVA-Plus 是一种通用型多模态助手，旨在拓展大型多模态模型的能力。它维护一个预训练视觉模型与视觉-语言模型的技能库，并可根据用户输入动态激活相关工具，以完成现实世界中的各类任务。LLaVA-Plus 在多模态指令遵循数据上进行训练，具备使用工具的能力，涵盖视觉理解、内容生成、外部知识检索以及多模态组合等任务。实证结果表明，LLaVA-Plus 在现有能力上优于 LLaVA，并展现出全新的功能特性。其独特之处在于，图像查询在整个用户-人工智能交互过程中始终被直接锚定并主动参与，显著提升了工具使用性能，并开拓了全新的应用场景。