本文介绍了VISUAL EMBEDDED INSTRUCTION (VIM)框架，用于评估多模态大语言模型(MLLMs)在视觉指令跟随能力方面的表现。通过将指令嵌入到视觉场景中，VIM对MLLMs提出挑战，需要强大的视觉解释能力。观察到开源的MLLMs与GPT-4V之间存在性能差异，提出了提高MLLMs在指令跟随方面能力的有希望方向。目标是推动该领域的技术进展和发展。

本文介绍了一个新的框架VISUAL EMBEDDED INSTRUCTION (VIM)，用于评估多模态大语言模型 (MLLMs) 在视觉指令跟随能力方面的表现。通过将指令嵌入到视觉场景中，VIM 对 MLLMs 提出挑战，对指令跟随需要强大的视觉解释能力。作者将 VIM 应用于不同的基准测试，并观察到开源的 MLLMs 与 GPT-4V 之间存在显著的性能差异。作者的目标是通过 VIM 推动该领域的技术进展和发展。