本文探讨了大型多模型（LMMs）在持续学习中的指令调整应用，指出灾难性遗忘现象依然存在。通过多任务联合指令调整和基于任务相似性的正则化方法，能够改善遗忘问题。研究提出了一种新的连续指令调整方法，有效捕捉任务感知信息，减轻过拟合，实验结果显示该方法在已知和未知任务上均表现优异。

该研究探索了大型多模型的效能，使用特定数据集设计的提示词，通过LMMs执行图像分类任务，并研究了LLVAs的零样本学习能力。实验结果表明模型在多个数据集上取得了显著性能，无需微调即可达到高分类准确率。细调后模型在面部照片和自闭症儿童的数据集上表现出显著改进，强调了LLVAs的变革潜力和多样应用。

该研究探索了大型多模型的效能，使用特定数据集设计的提示词，通过LMMs执行图像分类任务，并研究了LLVAs的零样本学习能力。实验结果表明模型在多个数据集上取得了显著性能，无需微调即可达到高分类准确率。细调后模型在面部照片和自闭症儿童的数据集上表现出显著改进，展示了LLVAs的变革潜力和多样应用。