研究表明，通过跨语言调整指令和数据获取方法，可以显著改善大型语言模型在未知任务上的性能。指令调优提升了模型的零样本表现，强调了语言一致性和超参数调整的重要性。对比指令调优方法（CoIN）通过最大化语义等效指令的相似性，进一步提高了模型的稳健性和准确率。

本文介绍了一种新型多模态大型语言模型Cheetah，通过智能控制知识重新注入模块和无标注跨注意力引导的反事实图像训练策略，在复杂的纷繁视觉语言指令中达到了I4中所有任务的零样本表现的最新水平，并具有竞争力的性能。