本研究探讨了大型语言模型（LLMs）与视觉模式整合的进展，分析了34种视觉大型语言模型（VLLMs），强调了训练范式的演变和参数效率，并提出了有效整合视觉模态的新方法，具有重要的指导价值。

本文介绍了SynthVLM，一种新型视觉大型语言模型（VLLMs）数据合成流水线。该方法利用先进的扩散模型和高质量字幕生成高分辨率图像，实现了精确的图像-文本对齐，提升了视觉问答任务的性能，并在数据量少的情况下保持隐私保护。SynthVLM在性能上超越传统方法，显著降低计算开销。