该论文介绍了一种名为VITA的开源交互式多模态LLM模型，能够通过语音、图像和视频等多种方式与用户进行交互，并提供准确的回答和建议。VITA经过多个阶段的训练和微调，包括LLM指令微调、多模态对齐和多模态指令微调。实验结果表明，VITA在语言、音频和多模态性能方面表现出色。