V*: 多模态 LLMs 中的核心机制：引导的视觉搜索

本文介绍了VISUAL EMBEDDED INSTRUCTION (VIM)框架，用于评估多模态大语言模型(MLLMs)在视觉指令跟随能力方面的表现。通过将指令嵌入到视觉场景中，VIM对MLLMs提出挑战，需要强大的视觉解释能力。观察到开源的MLLMs与GPT-4V之间存在性能差异，提出了提高MLLMs在指令跟随方面能力的有希望方向。目标是推动该领域的技术进展和发展。