通俗解释
图像经 CLIP 编码后通过一个简单的投影层变成“视觉 token”，与文字一起输入大模型；用 GPT-4 生成的图文对话数据微调。这一“编码器+投影+LLM”范式被大量开源 VLM 采用。
用在哪里：LLaVA、Qwen-VL、InternVL 等开源 VLM
01原始论文
Visual Instruction Tuning
Haotian Liu, Chunyuan Li, Qingyang Wu, et al. · 2023
arXiv ↗ ✓ 已核实 · arXiv API
备注：Flamingo（arXiv:2204.14198）与 BLIP-2（arXiv:2301.12597）为另两条代表路线
02知识位置
左边先学；右边是学完它之后可以学的。
左：前置 · 右：后继 · 虚线：相关。看完整关系图 →
03学习资料
官方文档、图解、课程和参考实现，链接都核对过。
04在课程里哪里学
所在学习路线：生成式与前沿研究
给 AI 读 / 数据说明
- 核实状态：已核实，核对于 2026-10-21。
- JSON: /api/learn/algorithms.json (id:
llava)