Visual Instruction Tuning

• 类型：arxiv
• 标识：2304.08485
• 链接：https://arxiv.org/abs/2304.08485
• 主题：multimodal
• 主分类：multimodal
• 形态：method
• 被引：10838
• 被引来源：Semantic Scholar
• S2被引：10838
• OpenAlex被引：692
• 影响力被引：1676
• TLDR：This paper presents LLaVA: Large Language and Vision Assistant, an end-to-end trained large multimodal model that connects a vision encoder and LLM for general-purpose visual and language understanding and introduces GPT-4 generated visual instruction tuning data, the model and code base publicly available.
• OpenAlex ID：W4366330503
• OpenAlex DOI：10.48550/arxiv.2304.08485
• DOI：10.48550/arxiv.2304.08485
• DOI来源：OpenAlex
• 开放获取：green
• 开放获取链接：https://arxiv.org/pdf/2304.08485
• OpenAlex更新：2026-08-23
• 待LLM分类：否
• 成熟度：research
• 场景：visual instruction tuning、LLM、vision-language
• 标题中文：Visual Instruction Tuning
• TLDR中文：本文提出 LLaVA：Large Language and Vision Assistant，一个端到端训练的大型多模态模型，将视觉编码器与 LLM 相结合用于通用视觉和语言理解；并引入 GPT-4 生成的视觉指令微调数据，模型与代码库已开源。
• 来源文件：
• [OpenAlex discover]
• [S2 enrich]