该文综述多模态大模型进展：LLaVA-Plus借助工具库调用视觉模型完成实际任务；u-LLaVA用LLM连接专家模型以缓解任务干扰；Valley支持视频、图像与语言对话；LLaSM实现语音与语言的跨模态交互；TinyGPT-V以小型骨干实现低成本视觉语言交互；LLaVA-Med回答生物医学图像问题；LLaVA-Interactive支持多轮多模态交互；MMA通过轻量适配器联合优化并切换单模态与多模态指令；另有研究验证LMMs的零样本图像分类能力并强化LLaVA基线。